論文の概要: Latent Dynamics for Full Body Avatar Animation

• arxiv url: http://arxiv.org/abs/2605.21478v1
• Date: Wed, 20 May 2026 17:58:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.831951
• Title: Latent Dynamics for Full Body Avatar Animation
• Title（参考訳）: 全身アバターアニメーションにおける潜時ダイナミクス
• Authors: Shichong Peng, Chengxiang Yin, Fei Jiang, Zhongshi Jiang, Lingchen Yang, Qingyang Tan, Amin Jourabloo, Jason Saragih, Ke Li, Christian Häne,
• Abstract要約: ポーズ条件付き3次元ガウスアバターをトランスフォーマーベースデコーダと動的残留潜水器で拡張する。 モデルは各更新を運転、回復、消散力に分解し、時間的に一貫性のある履歴に依存したロールアウトを生成する。 様々なゆるい衣服,定量的な計測値,知覚的ユーザスタディを備えた日常動作の9つのキャプチャーシーケンスは,最近のデータ駆動ベースラインよりもアニメーション品質が向上したことを示している。
• 参考スコア（独自算出の注目度）: 18.84485573885924
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pose-driven full-body avatars built on neural rendering produce high-quality novel views of a captured subject. Yet loose clothing and other dynamic elements deform in ways pose alone cannot explain: the same pose can correspond to many different states, because their motion depends on history, inertia, and contact. Explicit simulation and layered-garment methods can model such dynamics, but they require either a dedicated garment template, which raw multi-view capture does not naturally provide, or a test-time physics simulator with non-trivial runtime cost. A parallel line of work learns data-driven clothing avatars that avoid explicit garment layers. These methods add an auxiliary latent for variation beyond pose; at inference, they fix it, regress it from pose, or retrieve it from training data, without explicitly modeling how the latent evolves with its own dynamics. Additionally, even in everyday motion with loose clothing, existing architectures often struggle to capture fine-grained detail, producing blurry renderings and temporal artifacts. We augment a pose-conditioned 3D Gaussian avatar with a transformer-based decoder and a dynamics residual latent that captures temporal appearance and geometry variation beyond the driving signals. At inference, a learned latent dynamics model evolves the residual latent from a short pose history and the previous latent state. The model decomposes each update into driving, restoring, and dissipative forces, producing temporally coherent, history-dependent rollouts with negligible added cost. Different initial conditions yield diverse yet plausible motion trajectories, and the force decomposition exposes controls such as stiffness. Across nine captured sequences of everyday motion with diverse loose garments, quantitative metrics and a perceptual user study show improved animation quality over recent data-driven baselines.
• Abstract（参考訳）: ニューラルレンダリング上に構築されたホース駆動のフルボディアバターは、捕獲された被験者の高品質なノベルビューを生み出す。 同じポーズは多くの異なる状態に対応することができ、その動きは歴史、慣性、接触に依存する。 明示的なシミュレーションと階層化手法は、そのようなダイナミクスをモデル化することができるが、生のマルチビューキャプチャーが自然に提供しない専用の衣料テンプレートか、非自明な実行コストでテスト時の物理シミュレータを必要とする。 並列的な作業行は、明示的な衣服層を避けるために、データ駆動の衣服アバターを学ぶ。 これらのメソッドは、ポーズ以外の変化に対して補助的な潜伏剤を追加する。推論時に、潜伏剤が自身のダイナミクスでどのように進化するかを明示的にモデル化することなく、ポーズから修正したり、ポーズから退避させたり、トレーニングデータから回復したりする。 さらに、衣服がゆるい日常的な動きであっても、既存の建築は細かな細部を捉え、ぼやけたレンダリングや時間的なアーティファクトを作り出すのに苦労することが多い。 本研究では,3次元ガウスアバターをトランスフォーマーベースデコーダと動的残留潜水器で拡張し,駆動信号以外の時間的外観や幾何学的変化を捉える。 推論において、学習された潜時力学モデルは、短いポーズ履歴と前の潜時状態から残留潜時を進化させる。 モデルは、各更新を運転、回復、消散力に分解し、時間的に一貫性のある履歴に依存したロールアウトを無視可能な追加コストで生成する。 初期条件の相違により、多種多様な可塑性運動軌跡が得られ、力分解は剛性などの制御を露出する。 様々なゆるい衣服,定量的な計測値,知覚的ユーザスタディを備えた日常動作の9つのキャプチャーシーケンスは,最近のデータ駆動ベースラインよりもアニメーション品質が向上したことを示している。

関連論文リスト

• Autoregressive Appearance Prediction for 3D Gaussian Avatars [67.37159422872219]
  ポーズと出現遅延の両方に空間的バックボーンを条件とした3次元スプレイティングアバターモデルを提案する。 潜伏者はエンコーダによって訓練中に学習され、再構成品質を向上させるコンパクトな表現が得られる。 本手法は高忠実で安定したアバター駆動を実現するための堅牢で実用的な経路を提供する。
  論文  参考訳（メタデータ） (2026-04-01T14:07:14Z)
• RealityAvatar: Towards Realistic Loose Clothing Modeling in Animatable 3D Gaussian Avatars [4.332718737928592]
  本研究では,高忠実度デジタルヒューマンモデリングのための効率的なフレームワークであるRealAvatarを提案する。 動作トレンドモジュールと潜在骨エンコーダを組み込むことで,ポーズ依存的な変形と衣服行動の時間的変動をモデル化する。 特に非剛性領域における動的ヒト再建における構造的忠実度と知覚的品質を著しく向上させる。
  論文  参考訳（メタデータ） (2025-04-02T09:59:12Z)
• Within the Dynamic Context: Inertia-aware 3D Human Modeling with Pose Sequence [47.16903508897047]
  本研究では、現在のフレームのポーズ状態だけでなく、過去のポーズ状態にも人間の外観の変化が依存していることを明らかにする。 非剛性変形に対するデルタポーズシーケンス表現を利用した新しい手法であるDycoを導入する。 さらに, 慣性を考慮した3次元人間の手法は, 異なる速度での慣性による外観変化を前例なくシミュレートすることができる。
  論文  参考訳（メタデータ） (2024-03-28T06:05:14Z)
• AniDress: Animatable Loose-Dressed Avatar from Sparse Views Using Garment Rigging Model [58.035758145894846]
  AniDressは、非常にスパースなマルチビュービデオを用いて、ゆるい服装でアニマタブルな人間のアバターを生成する新しい方法である。 身体運動と衣服運動の両方に条件付されたポーズ駆動型変形可能なニューラルラディアンス場を導入し、両方の部品を明示的に制御する。 本手法は,身体から高度に逸脱する自然の衣服のダイナミックスを描画し,目に見えない景色とポーズの両方に一般化することができる。
  論文  参考訳（メタデータ） (2024-01-27T08:48:18Z)
• Learning Motion-Dependent Appearance for High-Fidelity Rendering of Dynamic Humans from a Single Camera [49.357174195542854]
  外観のダイナミクスを学ぶ上で重要な課題は、違法に大量の観測を必要とすることである。 本手法は,1つの視点映像から,身体のポーズや新しいビューを時間的に協調的に生成できることを示す。
  論文  参考訳（メタデータ） (2022-03-24T00:22:03Z)
• Dynamic Neural Garments [45.833166320896716]
  本稿では,身体の関節運動を取り込み,リアルな動的衣服画像列を直接生成する解を提案する。 具体的には, アバターの目標関節運動列を考慮し, ダイナミック・ニューラル・ウェアスを提案し, プラウシブル・ダイナミック・ウェアスの外観をシミュレートし, レンダリングする。
  論文  参考訳（メタデータ） (2021-02-23T17:21:21Z)
• High-Fidelity Neural Human Motion Transfer from Monocular Video [71.75576402562247]
  ビデオベースの人間のモーション転送は、ソースモーションに従って人間のビデオアニメーションを作成します。 自然なポーズ依存非剛性変形を伴う高忠実で時間的に一貫性のある人の動き伝達を行う新しい枠組みを提案する。 実験結果では,映像リアリズムの点で最先端を著しく上回っている。
  論文  参考訳（メタデータ） (2020-12-20T16:54:38Z)

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。