論文の概要: MoZoo:Unleashing Video Diffusion power in animal fur and muscle simulation

• arxiv url: http://arxiv.org/abs/2605.13857v1
• Date: Wed, 08 Apr 2026 15:42:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.811132
• Title: MoZoo:Unleashing Video Diffusion power in animal fur and muscle simulation
• Title（参考訳）: MoZoo:動物の毛皮におけるビデオ拡散力の解放と筋肉シミュレーション
• Abstract要約: 我々は,マルチモーダル誘導下で粗いメッシュから高忠実度動物ビデオを合成する生成動的解法MoZooを提案する。 MoZooは、多様な動物の骨格とレイアウトにまたがる高忠実な毛皮シミュレーションを実現し、時間的および構造的な整合性を維持する。
• 参考スコア（独自算出の注目度）: 43.45185869970669
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The creation of cinematic-quality animal effects necessitates the precise modeling of muscle and fur dynamics, a process that remains both labor-intensive and computationally expensive within traditional production workflows. While generative diffusion models have shown promise in diverse artistic workflows, their capacity for high-fidelity animal simulation remains largely unexploited. We present MoZoo, a generative dynamics solver that bypasses conventional refinement to synthesize high-fidelity animal videos from coarse meshes under multimodal guidance. We propose Role-Aware RoPE (RAR-RoPE) which employs role-based index remapping to synchronize motion alignment while decoupling reference information via fixed temporal offsets. Complementing this, Asymmetric Decoupled Attention partitions the latent sequence to enforce a unidirectional information flow, effectively preventing feature interference and improving computational efficiency. To address the scarcity of high-quality training data, we introduce MoZoo-Data, a synthetic-to-real pipeline that leverages a rendering engine and an inverse mapping approach to construct a large-scale dataset of paired sequences. Furthermore, we establish MoZooBench, a comprehensive benchmark with 120 mesh-video pairs. Experimental results demonstrate that MoZoo achieves high-fidelity fur simulation across diverse animal skeletons and layouts, preserving superior temporal and structural consistency.
• Abstract（参考訳）: 映画品質の動物効果の創出は、伝統的な生産ワークフローの中で、労働集約的かつ計算的に高価なプロセスである筋肉と毛皮の力学の正確なモデリングを必要とする。 生成的拡散モデルは様々な芸術的ワークフローにおいて有望であるが、高忠実性動物シミュレーションの能力はほとんど明らかにされていない。 提案するMoZooは,マルチモーダル誘導による粗いメッシュから高忠実度動物ビデオを合成するために,従来の精細化を回避した生成動的解法である。 RAR-RoPE(Role-Aware RoPE)は,時間軸オフセットを介して参照情報をデカップリングしながら,動きアライメントの同期化にロールベースのインデックスリマッピングを利用する。 この補完として、非対称疎結合注意は、潜在シーケンスを分割して一方向の情報の流れを強制し、機能の干渉を効果的に防止し、計算効率を向上させる。 高品質なトレーニングデータの不足に対処するために,レンダリングエンジンと逆マッピングアプローチを活用する合成から現実のパイプラインであるMoZoo-Dataを導入し,ペア列の大規模データセットを構築する。 さらに,120対のメッシュビデオを用いた総合的なベンチマークであるMoZooBenchを構築した。 実験結果から,MoZooは多様な動物の骨格と配置にまたがる高忠実度毛皮シミュレーションを実現し,時間的・構造的整合性に優れることを示した。

関連論文リスト

• Spatiotemporally Decoupled Autoregressive Diffusion Model for Human Motion Generation [19.887078319028102]
  動作表現とアーキテクチャを再設計するために,DeMoDiff という統合時間分離フレームワークを提案する。 我々のフレームワークは、最先端の復元性能と魅力的な動き生成結果を達成する。
  論文  参考訳（メタデータ） (2026-08-24T14:04:35Z)
• DiffusionHarmonizer: Bridging Neural Reconstruction and Photorealistic Simulation with Online Diffusion Enhancer [62.18680935878919]
  レンダリングを時間的に一貫した出力に変換するオンライン生成拡張フレームワークであるDiffusionHarmonizerを紹介した。 コアとなるのは、単一のGPU上でオンラインシミュレータで実行可能な、一段階の時間的条件付きエンハンサーである。
  論文  参考訳（メタデータ） (2026-02-27T15:35:30Z)
• Masked Modeling for Human Motion Recovery Under Occlusions [21.05382087890133]
  MoRoは、ビデオコンディショニングタスクとしてモーション再構成を定式化する、エンドツーエンドの生成フレームワークである。 MoRoは、1つのH200 GPU上で70FPSのリアルタイム推論を実現する。
  論文  参考訳（メタデータ） (2026-01-22T16:22:20Z)
• Hybrid Autoregressive-Diffusion Model for Real-Time Sign Language Production [0.0]
  我々は手話生成のための自己回帰モデルと拡散モデルを組み合わせたハイブリッドアプローチを開発する。 微粒な体の動きを捉えるため,異なる音節から細かな特徴を別々に抽出するマルチスケール・ポース表現モジュールを設計した。 ポーズ生成過程を動的に導くために,共同レベルの信頼度スコアを利用する信頼度対応型因果注意機構を導入する。
  論文  参考訳（メタデータ） (2025-07-12T01:34:50Z)
• Generative Pre-trained Autoregressive Diffusion Transformer [74.25668109048418]
  GPDiT(GPDiT)は、自動回帰拡散変換器である。 長距離ビデオ合成における拡散と自己回帰モデリングの強みを統一する。 拡散損失を用いて将来の潜伏フレームを自動回帰予測し、運動力学の自然なモデリングを可能にする。
  論文  参考訳（メタデータ） (2025-05-12T08:32:39Z)
• Pre-Trained Video Generative Models as World Simulators [59.546627730477454]
  本研究では,事前学習した映像生成モデルを制御可能な世界シミュレータに変換するための動的世界シミュレーション(DWS)を提案する。 条件付き動作と生成した視覚的変化の正確なアライメントを実現するために,軽量で普遍的な動作条件付きモジュールを導入する。 実験により、DWSは拡散モデルと自己回帰変換モデルの両方に汎用的に適用可能であることが示された。
  論文  参考訳（メタデータ） (2025-02-10T14:49:09Z)
• Shape Conditioned Human Motion Generation with Diffusion Model [0.0]
  本研究では,メッシュ形式での運動系列生成を可能にする形状条件付き運動拡散モデル(SMD)を提案する。 また、スペクトル領域内の時間的依存関係を活用するためのスペクトル・テンポラルオートエンコーダ(STAE)を提案する。
  論文  参考訳（メタデータ） (2024-05-10T19:06:41Z)
• TrackDiffusion: Tracklet-Conditioned Video Generation via Diffusion Models [75.20168902300166]
  微粒な軌跡条件の運動制御が可能な新しい映像生成フレームワークであるTrackDiffusionを提案する。 TrackDiffusionの重要なコンポーネントは、複数のオブジェクトのフレーム間の一貫性を明確に保証するインスタンスエンハンサーである。 TrackDiffusionによって生成されたビデオシーケンスは、視覚知覚モデルのトレーニングデータとして使用できる。
  論文  参考訳（メタデータ） (2023-12-01T15:24:38Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Controllable Motion Synthesis and Reconstruction with Autoregressive Diffusion Models [18.50942770933098]
  MoDiff(モディフ)は、他のモードの制御コンテキストに条件付けられた動き列上の自己回帰的確率拡散モデルである。 本モデルでは、モーダルトランスフォーマーエンコーダとトランスフォーマーベースのデコーダを統合し、動作の時間的相関と制御のモダリティを捉えるのに有効である。
  論文  参考訳（メタデータ） (2023-04-03T08:17:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。