論文の概要: EMA: Effort Metric Attention for Anatomical Effort-Guided Human Motion Diffusion

• arxiv url: http://arxiv.org/abs/2605.24566v1
• Date: Sat, 23 May 2026 13:00:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.248698
• Title: EMA: Effort Metric Attention for Anatomical Effort-Guided Human Motion Diffusion
• Title（参考訳）: EMA(Effort Metric Attention for anatomical Effort-Guided Human Motion Diffusion)
• Authors: Joshua Siy, Huakun Liu, Yutaro Hirao, Monica Perusquia-Hernandez, Hideaki Uchiyama, Kiyoshi Kiyokawa,
• Abstract要約: Effort Metric Attention (EMA) に基づく強度制御フレームワークを提案する。 運動量のピーク関節位置変化と,運動量に対する集合関節位置変化の2つの指標を用いて,これらの要因を近似した。 実験とユーザスタディは、特定の作業レベル、生成された動作ダイナミクス、確立されたLMA記述子間のほぼ単調なアライメントを示す。
• 参考スコア（独自算出の注目度）: 14.90982744874532
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human motion diffusion models can synthesize action sequences from text, but controlling motion intensity remains challenging. Existing approaches rely on effort-related adverbs, which are ambiguous and fail to capture quantitative aspects such as pacing, often resulting in flat and monotonous dynamics. We propose an intensity-control framework based on Effort Metric Attention (EMA), a cross-attention module that conditions diffusion on numerical effort signals. Inspired by Laban Movement Analysis (LMA), the framework focuses on the Time and Weight effort factors. We approximate these factors using two kinematic metrics: peak joint positional change for pacing and collective joint positional change for motion amount. EMA enables fine-grained, region-wise control without costly post-hoc optimization. We introduce two evaluation tasks, metric-to-motion consistency and body-part-level effort modulation, to assess numerical fidelity and localized control. Experiments and a user study show near-monotonic alignment between specified effort levels, generated motion dynamics, and established LMA descriptors. These results indicate effective and interpretable control of effort dynamics in practice.
• Abstract（参考訳）: ヒトの運動拡散モデルはテキストから行動系列を合成することができるが、運動強度を制御することは依然として困難である。 既存のアプローチは作業関連の副詞に依存しており、不明瞭であり、ペーシングのような定量的な側面を捉えることができず、しばしば平坦で単調なダイナミクスをもたらす。 Effort Metric Attention (EMA) に基づく強度制御フレームワークを提案する。 Laban Movement Analysis (LMA)にインスパイアされたこのフレームワークは、時間と重みの要素に焦点を当てている。 運動量のピーク関節位置変化と,運動量に対する集合関節位置変化の2つの指標を用いて,これらの要因を近似した。 EMAは、コストのかかるポストホック最適化を使わずに、きめ細かな領域的な制御を可能にする。 数値的忠実度と局所的制御性を評価するために,2つの評価タスク,メトリック・ツー・ムーブメント・一貫性とボディー・パート・レベル・ワーク・モジュレーションを導入する。 実験とユーザスタディは、特定の作業レベル、生成された動作ダイナミクス、確立されたLMA記述子間のほぼ単調なアライメントを示す。 これらの結果から,実際の作業力学の効果的かつ解釈可能な制御が示唆された。

関連論文リスト

• SCRIPT: Scalable Diffusion Policy with Multi-stage Training for Language-driven Physics-based Humanoid Control [72.5651722107621]
  SCRIPTは、言語駆動の物理に基づくヒューマノイド制御のための多段階トレーニングフレームワークを備えたスケーラブルな拡散ポリシーである。 SCRIPTの中核はJAST-DiT(Joint Action-State-Text Diffusion Transformer)であり、アクション、物理状態、テキストを専用トークンストリームとして表現している。 自己回帰制御を安定させるために,近年の密集した文脈を保存し,長期的歴史から疎開したサンプルを抽出する非線形履歴条件付け機構を導入する。
  論文  参考訳（メタデータ） (2026-05-21T14:17:21Z)
• Hypergraph-State Collaborative Reasoning for Multi-Object Tracking [63.32950991964095]
  複数の相関オブジェクト間の共同推論による動き推定を向上する協調推論フレームワークを提案する。 類似の運動状態を持つ物体同士を互いに拘束し、互いに洗練させることで、我々のフレームワークはノイズの軌道を安定させ、目標を遮蔽しても可塑性運動の連続性を推測する。
  論文  参考訳（メタデータ） (2026-04-14T12:37:39Z)
• LaDy: Lagrangian-Dynamic Informed Network for Skeleton-based Action Segmentation via Spatial-Temporal Modulation [34.31811348547604]
  本稿では,ラグランジュ力学の原理をセグメンテーションプロセスに統合する枠組みを提案する。 挑戦的なデータセットの実験は、LaDyが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2026-03-25T09:01:06Z)
• MotionCFG: Boosting Motion Dynamics via Stochastic Concept Perturbation [60.48914865049489]
  MotionCFGは、ターゲットコンセプトとノイズブレーブの概念を対比することにより、モーションダイナミクスを強化するフレームワークである。 明示的な否定とは異なり、このアプローチはグローバルな意味的アイデンティティをシフトすることなく暗黙的な否定的なガイダンスを促進する。 MotionCFGは、最先端のT2Vフレームワーク間のモーションダイナミクスを一貫して改善する。
  論文  参考訳（メタデータ） (2026-03-14T18:39:37Z)
• Neural Implicit Action Fields: From Discrete Waypoints to Continuous Functions for Vision-Language-Action Models [35.98187913967879]
  本稿では,行動予測を離散的な視点から連続的な行動関数の回帰へ変換するパラダイムシフトを提案する。 提案手法は, CALVIN および LIBERO ベンチマークにおいて, 種々のバックボーンにまたがって, 最新の結果が得られる。
  論文  参考訳（メタデータ） (2026-03-02T11:48:24Z)
• T2M Mamba: Motion Periodicity-Saliency Coupling Approach for Stable Text-Driven Motion Generation [3.6564162676635363]
  アバターアニメーションやヒューマノイドロボットのインタラクションといった分野において、テキスト・トゥ・モーション・ジェネレーションが注目を集めている。 モデルは、動き周期性とサリエンシを独立した要因として扱い、それらの結合を見下ろし、長いシーケンスで生成のドリフトを引き起こす。 本稿では,この制限に対処するT2M Mambaを提案する。
  論文  参考訳（メタデータ） (2026-02-01T17:42:53Z)
• Mojito: Motion Trajectory and Intensity Control for Video Generation [79.85687620761186]
  本稿では,テキスト・ビデオ生成のための運動軌跡と強度制御の両方を組み込んだ拡散モデルであるMojitoを紹介する。 実験は, 高精度な軌道制御と強度制御を高い計算効率で実現する上で, モジトの有効性を実証する。
  論文  参考訳（メタデータ） (2024-12-12T05:26:43Z)
• MotionMix: Weakly-Supervised Diffusion for Controllable Motion Generation [19.999239668765885]
  MotionMixはノイズと無注釈の両方のモーションシーケンスを利用する弱い教師付き拡散モデルである。 我々のフレームワークは、テキスト・トゥ・モーション、アクション・トゥ・モーション、音楽・トゥ・ダンスのタスクにおける最先端のパフォーマンスを一貫して達成する。
  論文  参考訳（メタデータ） (2024-01-20T04:58:06Z)
• Interactive Character Control with Auto-Regressive Motion Diffusion Models [18.727066177880708]
  リアルタイム動作合成のためのA-MDM(Auto-Regressive Motion Diffusion Model)を提案する。 我々の条件拡散モデルは初期ポーズを入力とし、前者のフレームに条件付けられた連続した動きフレームを自動回帰的に生成する。 本稿では,タスク指向サンプリング,インペインティング,階層的強化学習など,対話型制御をA-MDMに組み込む一連の手法を紹介する。
  論文  参考訳（メタデータ） (2023-06-01T07:48:34Z)

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。