論文の概要: NaP-Control: Navigating Diffusion Prior for Versatile and Fast Character Control

• arxiv url: http://arxiv.org/abs/2605.20209v1
• Date: Wed, 15 Apr 2026 14:51:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.973828
• Title: NaP-Control: Navigating Diffusion Prior for Versatile and Fast Character Control
• Title（参考訳）: NaP-Control: 可変・高速キャラクタ制御に先立って拡散をナビゲートする
• Authors: Chia-Wen Chen, Yan Wu, Korrawe Karunratanakul, Siyu Tang,
• Abstract要約: NaP(Navigating Diffusion Prior for Versatile and Fast Character Control)を略して導入する。 提案手法は,タスク非依存拡散ポリシーの潜時雑音を従来よりも高速で頑健な制御を行うために,強化学習を用いて制御する。 実験により、NaPは様々なタスクにわたる自然な動きを保ちながら、より高い成功率と高速な推論を達成することが示された。
• 参考スコア（独自算出の注目度）: 11.370658840184634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Achieving precise, versatile whole-body character control in physics-based animation remains challenging. Recent diffusion-based policies generate rich and expressive motions but typically rely on gradient-based test-time guidance to satisfy task objectives, which is slow and can reduce robustness. We introduce NaP-Control (Navigating Diffusion Prior for Versatile and Fast Character Control), abbreviated as NaP. Our method uses reinforcement learning to manipulate the latent noise of a task-agnostic diffusion policy prior, steering it toward task-specific behaviors for fast, robust control with high motion fidelity. In contrast to methods that rely solely on offline training, NaP interacts with the environment during training to correct motions and optimize task rewards, improving success rates and enabling adaptation to challenging scenarios. By directly predicting task-optimized diffusion noise, NaP eliminates iterative guidance during denoising and enables efficient inference. Experiments show that NaP attains higher success rates and faster inference while preserving natural motion across diverse tasks.
• Abstract（参考訳）: 物理に基づくアニメーションにおいて、正確で多目的な全身文字制御を実現することは、依然として困難である。 最近の拡散ベースの政策は、リッチで表現力のある動作を生成するが、通常、作業目標を満たすために勾配ベースのテストタイムガイダンスに依存する。 NaP(Navigating Diffusion Prior for Versatile and Fast Character Control)を略して導入する。 提案手法は,タスク非依存拡散ポリシーの潜時雑音を従来よりも高速で頑健な制御を行うために,強化学習を用いて制御する。 オフライントレーニングのみに依存する方法とは対照的に、NaPはトレーニング中の環境と対話して、動作の修正とタスク報酬の最適化、成功率の向上、挑戦的なシナリオへの適応を可能にする。 タスク最適化拡散雑音を直接予測することにより、NaPは復調中の反復誘導を排除し、効率的な推論を可能にする。 実験により、NaPは様々なタスクにわたる自然な動きを保ちながら、より高い成功率と高速な推論を達成することが示された。

関連論文リスト

• Encoding Predictability and Legibility for Style-Conditioned Diffusion Policy [1.1549572298362782]
  効率性と透明な動きのバランスを取ることは、人間とロボットのコラボレーションにおける中核的な課題である。 本稿では,事前学習した拡散モデルに対して,妥当性と効率を両立させるモジュラーフレームワークであるStyle-Conditioned Diffusion Policy (SCDP)を提案する。 操作作業やナビゲーション作業におけるSCDPの評価を行い,不明瞭な環境下での可視性を向上するとともに,可視性が不要な場合の最適効率を保っていることを示す。
  論文  参考訳（メタデータ） (2026-03-17T10:55:44Z)
• Fire on Motion: Optimizing Video Pass-bands for Efficient Spiking Action Recognition [21.25634534419545]
  スパイキングニューラルネットワーク(SNN)は、そのエネルギー効率、生物の楽観性、および固有の時間的処理により、視界において牽引力を高めている。 しかしながら、SNNは、人工知能ニューラルネットワーク(ANN)と比較して、動的ビデオタスクではまだパフォーマンスが劣っている。
  論文  参考訳（メタデータ） (2026-01-30T07:47:23Z)
• ImplicitRDP: An End-to-End Visual-Force Diffusion Policy with Structural Slow-Fast Learning [52.86018040861575]
  本稿では,単一のネットワークに視覚計画と反応力制御を統合した,一貫したエンドツーエンドの視覚力拡散政策を提案する。 本稿では,非同期な視覚と力のトークンを同時に処理するための因果的注意力を利用した構造的スローフォールストラーニングを紹介する。 コンタクトリッチタスクの実験では、ImplicitRDPは視覚のみのベースラインと階層的なベースラインの両方で著しく優れていた。
  論文  参考訳（メタデータ） (2025-12-11T18:59:46Z)
• Prior Does Matter: Visual Navigation via Denoising Diffusion Bridge Models [17.339359071659494]
  そこで我々は,NaviBridgerという名前の拡散ブリッジモデルを利用した新しいビジュアルナビゲーションフレームワークを提案する。 このアプローチは、情報的事前行動から開始することで行動生成を可能にし、認知プロセスにおけるガイダンスと効率性を高める。 シミュレーションおよび実世界の屋内シナリオおよび屋外シナリオにおける実験は、NaviBridgerがポリシー推論を加速し、ターゲットアクションシーケンスの生成においてベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2025-04-14T09:42:35Z)
• Fast Adaptation with Behavioral Foundation Models [82.34700481726951]
  教師なしゼロショット強化学習は、行動基礎モデルの事前学習のための強力なパラダイムとして登場した。 有望な結果にもかかわらず、ゼロショットポリシーは、教師なしのトレーニングプロセスによって引き起こされるエラーにより、しばしば準最適である。 本稿では,事前訓練されたBFMの低次元タスク埋め込み空間を探索し,ゼロショットポリシーの性能を急速に向上させる高速適応手法を提案する。
  論文  参考訳（メタデータ） (2025-04-10T16:14:17Z)
• FDPP: Fine-tune Diffusion Policy with Human Preference [57.44575105114056]
  人間の嗜好を考慮した微調整拡散政策は、嗜好に基づく学習を通して報酬関数を学習する。 この報酬は、訓練済みの政策を強化学習で微調整するために使われる。 実験により、FDPPは性能を損なうことなく、効果的にポリシーの動作をカスタマイズできることが示されている。
  論文  参考訳（メタデータ） (2025-01-14T17:15:27Z)
• Continual Diffuser (CoD): Mastering Continual Offline Reinforcement Learning with Experience Rehearsal [54.93261535899478]
  強化学習のロボット制御のような現実世界の応用では、タスクが変化し、新しいタスクが順次発生する。 この状況は、タスクの変更に適応し、獲得した知識を保持するエージェントを訓練する上で、可塑性-安定トレードオフという新たな課題を生じさせる。 本研究では,連続拡散器(Continuous diffuser,CoD)と呼ばれるリハーサルに基づく連続拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-09-04T08:21:47Z)
• Input-Tuning: Adapting Unfamiliar Inputs to Frozen Pretrained Models [82.75572875007755]
  NLGタスクの即時チューニングの発達を妨げる要因の1つは、馴染みの無い入力である、と我々は主張する。 これは、連続的なプロンプトと入力表現の両方を微調整する入力チューニングを提案する動機である。 提案する入力チューニングは概念的にシンプルで,実証的に強力である。
  論文  参考訳（メタデータ） (2022-03-07T05:04:32Z)

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。