論文の概要: AnchorRoute: Human Motion Synthesis with Interval-Routed Sparse Contro

• arxiv url: http://arxiv.org/abs/2605.14716v2
• Date: Fri, 15 May 2026 02:07:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:25.991209
• Title: AnchorRoute: Human Motion Synthesis with Interval-Routed Sparse Contro
• Title（参考訳）: AnchorRoute: インターバルロートスパース・コントロを用いた人間のモーション合成
• Authors: Pengcheng Fang, Tengjiao Sun, Dongjie Fu, Xiaoyu Zhan, Yanwen Guo, Hansung Kim, Xiaohao Cai,
• Abstract要約: スパースアンカーモーション合成フレームワークであるAnchorRouteについて述べる。 アンカーは、世代と洗練の両方のために共有の足場として使用される。 ベンチマーク評価では、AnchorRouteはスパース制御の手法よりも優れている。
• 参考スコア（独自算出の注目度）: 18.297396604431018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sparse anchors provide a compact interface for human motion authoring: users specify a few root positions, planar trajectory samples, or body-point targets, while the system synthesizes the full-body motion that completes the under-specified intent. We present AnchorRoute, a sparse-anchor motion synthesis framework that uses anchors as a shared scaffold for both generation and refinement. Before generation, AnchorRoute converts sparse anchors into anchor-condition features and injects the resulting condition memory into a frozen Transition Masked Diffusion prior through AnchorKV and dual-context conditioning. This preserves the generation quality of the pretrained text-to-motion prior while learning sparse spatial control. After generation, the same anchors are evaluated as residuals: their timestamps define refinement intervals, and their residuals determine where correction should be concentrated. RouteSolver then refines the motion by projecting soft-token updates onto anchor-defined piecewise-affine interval bases. This couples generation-time anchor conditioning with residual-routed refinement under one anchor scaffold. AnchorRoute supports root-3D, planar-root, and body-point control within the same formulation. In benchmark evaluations, AnchorRoute outperforms prior sparse-control methods under the sparse keyjoint protocol and consistently improves anchor adherence across control families. The results show that the learned anchor-conditioned generator and RouteSolver refinement are complementary: the generator preserves text-motion quality, while RouteSolver provides a controllable path toward stronger anchor adherence.
• Abstract（参考訳）: ユーザーはいくつかのルート位置、平面軌道サンプル、またはボディーポイントターゲットを指定し、システムは不特定意図を完成させるフルボディ動作を合成する。 AnchorRouteは、アンカーを生成と洗練の両方のための共有足場として利用するスパースアンカーモーション合成フレームワークである。 生成前に、AnchorRouteはスパースアンカーをアンカー条件に変換し、その結果の条件メモリをAnchorKVとデュアルコンテキスト条件によって凍結された遷移マスケッド拡散に注入する。 これにより、余分な空間制御を学習しながら、事前訓練されたテキスト・ツー・モーションの生成品質を維持できる。 生成後、同じアンカーが残留物として評価され、そのタイムスタンプは精製間隔を定義し、残余はどの修正を集中すべきかを決定する。 RouteSolverはその後、アンカー定義のピースワイドファインインターバルベースにソフトトーン更新を投影することで、動作を洗練する。 この2つの世代間アンカーコンディショニングは、1つのアンカー足場の下で残留汚染された精製を施している。 AnchorRouteはルート3D、平面根、同じ定式化内でのボディーポイント制御をサポートする。 ベンチマーク評価では、AnchorRouteはスパースキージョイントプロトコルの下で以前のスパース制御方法より優れており、コントロールファミリ間のアンカーアテンデンスを一貫して改善している。 その結果、学習したアンカー条件付きジェネレータとRouteSolverの改良は相補的であり、ジェネレータはテキストモーションの品質を保ち、RouteSolverはより強力なアンカーアテンデンスへの制御可能なパスを提供することがわかった。

関連論文リスト

• MoCapAnything V2: End-to-End Motion Capture for Arbitrary Skeletons [56.68975315643491]
  本稿では,ビデオ・ツー・ローテーションとビデオ・ツー・ローテーションを共同で学習し,最適化する,最初のエンドツーエンドフレームワークを提案する。 本手法は, メッシュベースパイプラインの20倍の速度で, 回転誤差を17度から10度, 見えない骨格では6.54度に低減する。
  論文  参考訳（メタデータ） (2026-04-30T17:16:38Z)
• EmergentBridge: Improving Zero-Shot Cross-Modal Transfer in Unified Multimodal Embedding Models [39.63333068031766]
  実際のデプロイメントでは、モダリティペアの小さなサブセットに対してのみ、監視が利用可能である。 埋め込みレベルのブリッジフレームワークである textbfEmergentBridge を提案する。
  論文  参考訳（メタデータ） (2026-04-13T06:15:11Z)
• Collision-Free Velocity Scheduling for Multi-Agent Systems on Predefined Routes via Inexact-Projection ADMM [0.0]
  構造化マルチエージェントプロジェクトでは、エージェントは事前に定義されたルートをたどらなければならず、リルーチンや不可能となる。 本稿では,各エージェントの割り当てられた経路の順序と名前付き経路の割り当てを保ちながら,経路制約付きマルチエージェント協調に対処する。
  論文  参考訳（メタデータ） (2026-03-23T12:34:18Z)
• Surprised by Attention: Predictable Query Dynamics for Time Series Anomaly Detection [1.7751300245073598]
  AxonADは、マルチヘッドアテンションクエリの進化を短い水平方向予測可能なプロセスとして扱う教師なし検出器である。 テール集約型クエリミスマッチスコアは、最近のタイムステップで予測されたクエリとターゲットクエリの相違を測定する。 インターバルアノテーションを用いた車内テレメトリでは、AxonADは強力なベースライン上でのランキング品質と時間的ローカライゼーションを改善している。
  論文  参考訳（メタデータ） (2026-03-13T11:40:51Z)
• SGHA-Attack: Semantic-Guided Hierarchical Alignment for Transferable Targeted Attacks on Vision-Language Models [73.19044613922911]
  大規模視覚言語モデル(VLM)は、転送ベースの対向摂動に対して脆弱である。 SGHA-Attackは、複数のターゲット参照を採用し、中間層一貫性を強制するフレームワークである。 オープンソースおよび商用のブラックボックスVLMの実験は、SGHA-Attackが従来の方法よりも強力な目標転送性を実現することを示している。
  論文  参考訳（メタデータ） (2026-02-02T03:10:41Z)
• AnchorFlow: Training-Free 3D Editing via Latent Anchor-Aligned Flows [83.84009605031291]
  トレーニング不要な3D編集は、モデル微調整なしで人間の指示に基づいて3D形状を変更することを目的としている。 既存のアプローチは、しばしば強い、あるいは幾何学的に安定した編集を作成するのに苦労する。 遅延アンカー一貫性の原理に基づいて構築されたAnchorFlowを紹介します。
  論文  参考訳（メタデータ） (2025-11-27T11:50:39Z)
• EntroPE: Entropy-Guided Dynamic Patch Encoder for Time Series Forecasting [50.794700596484894]
  IntroPE(Entropy-Guided Dynamic Patch)は,条件付きエントロピーによる遷移点を動的に検出する新しい時間情報フレームワークである。 これは、パッチの計算上の利点を維持しながら、時間構造を保存する。 長期予測ベンチマークによる実験では、EntroPEは精度と効率の両方を改善している。
  論文  参考訳（メタデータ） (2025-09-30T12:09:56Z)
• Temporally-Consistent Surface Reconstruction using Metrically-Consistent Atlases [131.50372468579067]
  そこで本稿では,時間変化点雲列から時間一貫性のある面列を復元する手法を提案する。 我々は、再構成された表面をニューラルネットワークによって計算されたアトラスとして表現し、フレーム間の対応性を確立することができる。 当社のアプローチは、いくつかの挑戦的なデータセットにおいて、最先端のものよりも優れています。
  論文  参考訳（メタデータ） (2021-11-12T17:48:25Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。