論文の概要: RoMo: A Large-Scale, Richly Organized Dataset and Semantic Taxonomy for Human Motion Generation

• arxiv url: http://arxiv.org/abs/2605.26241v1
• Date: Mon, 25 May 2026 18:07:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.304779
• Title: RoMo: A Large-Scale, Richly Organized Dataset and Semantic Taxonomy for Human Motion Generation
• Title（参考訳）: RoMo:人間の運動生成のための大規模でリッチに組織されたデータセットとセマンティック分類
• Authors: Jiahao Zhang, Joseph Liu, Young-Yoon Lee, Seonghyeon Moon, Victor Zordan, Guy Tevet, Karen Liu, Stephen Gould, Oren Jacob, Haomiao Jiang, Mubbasir Kapadia, Yizhak Ben-Shabat,
• Abstract要約: RoMoは、広義の、大規模で、慎重にキュレートされた人間の動きのデータセットである。 すべてのシーケンスは詳細なキャプションで注釈付けされ、新しい3段階のセマンティック分類によって編成される。 我々は、RoMoでトレーニングされたモデルが、複雑な微妙なテキストプロンプトのより優れた理解を得ながら、最先端の忠実さと多様性を達成することを実証した。
• 参考スコア（独自算出の注目度）: 39.180328728133496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Success in generative modeling across language, image, and video demonstrates that large, well-curated datasets are the key driver for building capable models. 3D Human motion, however, has lagged behind, constrained by an unsatisfying choice between small, high-fidelity motion capture datasets and large-scale in-the-wild collections dominated by static or low-quality sequences. We introduce RoMo, a rich, large-scale, carefully curated dataset of in-the-wild human motions that resolves these tradeoffs. To ensure quality, we introduce a taxonomy-aware filtering pipeline that aggressively removes static and artifact-prone sequences. Every sequence is annotated with detailed captions and organized by a novel three-level semantic taxonomy. This hierarchical structure enables fine-grained, per-category evaluation, that reveals model strengths and weaknesses obscured by global metrics. We demonstrate that models trained on RoMo achieve state-of-the-art fidelity and diversity while gaining a superior understanding of complex, subtle text prompts. Finally, we release the Motion Toolbox to standardize metrics, data conversion, and visualization, establishing a foundation for reproducible and interpretable motion generation research.
• Abstract（参考訳）: 言語、画像、ビデオのジェネレーティブモデリングの成功は、大規模で十分に計算されたデータセットが有能なモデルを構築する上で重要な要因であることを証明している。 しかし、3Dの人間の動きは、小さな、高忠実なモーションキャプチャーデータセットと、静的または低品質のシーケンスが支配する大規模なインザワイルドコレクションの間の不満足な選択によって、遅れを取っている。 われわれはこのトレードオフを解決するために、リッチで大規模で慎重にキュレートされた人体の動きのデータセットであるRoMoを紹介した。 品質を確保するため,静的およびアーティファクトの配列を積極的に除去する分類対応フィルタリングパイプラインを導入する。 すべてのシーケンスは詳細なキャプションで注釈付けされ、新しい3段階のセマンティック分類によって編成される。 この階層構造は、大域的な指標によって隠蔽されるモデルの強みと弱さを明らかにする、きめ細かなカテゴリごとの評価を可能にする。 我々は、RoMoでトレーニングされたモデルが、複雑な微妙なテキストプロンプトのより優れた理解を得ながら、最先端の忠実さと多様性を達成することを実証した。 最後に、メトリクス、データ変換、可視化を標準化するMotion Toolboxをリリースし、再現性と解釈可能なモーション生成研究の基礎を確立する。

関連論文リスト

• HandX: Scaling Bimanual Motion and Interaction Generation [55.486397101415]
  HandXはデータ、アノテーション、評価にまたがる統一された基盤である。 既存のデータセットを統合・フィルタリングし、新しいモーションキャプチャーデータセットを収集します。 新たに提案した手中心の指標によって支援された高品質なデキスタラスモーション生成実験を行った。
  論文  参考訳（メタデータ） (2026-03-30T17:59:49Z)
• The Quest for Generalizable Motion Generation: Data, Model, and Evaluation [66.57596758773309]
  本稿では,ViGenからMoGenへの知識伝達を,データ,モデリング,評価という3つの重要な柱を通じて体系的に行うフレームワークを提案する。 まず,228,000個の高品質な動作サンプルからなる大規模データセットViMoGen-228Kを紹介する。 第2に,フローマッチングに基づく拡散変換器であるViMoGenを提案する。 第3に,動作品質,迅速な忠実度,一般化能力の詳細な評価を目的とした階層型ベンチマークであるMBenchを提案する。
  論文  参考訳（メタデータ） (2025-10-30T17:59:27Z)
• Disentanglement Beyond Static vs. Dynamic: A Benchmark and Evaluation Framework for Multi-Factor Sequential Representations [14.972702558607557]
  6つの異なるデータセット間での複数要素の逐次的絡み合いを評価するための、最初の標準ベンチマークを導入する。 本研究では,潜伏次元を意味因子と自動的に整列するポストホック潜伏探索段階を提案し,最先端の成果を達成できるクープマンモデルを提案する。 私たちのコードはGitHubで、データセットとトレーニングされたモデルはHugging Faceで利用可能です。
  論文  参考訳（メタデータ） (2025-10-20T08:58:23Z)
• How to Move Your Dragon: Text-to-Motion Synthesis for Large-Vocabulary Objects [37.10752536568922]
  多様なオブジェクトカテゴリのためのモーション合成は、3Dコンテンツ作成に大きな可能性を秘めている。 我々は、広範囲の高品質なモーションやアノテーションを含む包括的なモーションデータセットの欠如に対処する。 本稿では,一貫したダイナミクスを保ちながら,多様な動作データを生成するrig拡張手法を提案する。
  論文  参考訳（メタデータ） (2025-03-06T09:39:09Z)
• Scaling Large Motion Models with Million-Level Human Motions [67.40066387326141]
  我々は、モーション生成のための最初の100万レベルのデータセットであるMotionLibを紹介する。 我々は Projname という名の大きな運動モデルを訓練し、幅広い人間の活動に頑健なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-10-04T10:48:54Z)
• Move as You Say, Interact as You Can: Language-guided Human Motion Generation with Scene Affordance [48.986552871497]
  本稿では,シーンアベイランスを中間表現として活用する新しい2段階フレームワークを提案する。 シーンアベイランスマップを活用することで,マルチモーダルな条件下での人間の動きを再現する難しさを克服する。 我々のアプローチは、HumanML3DやHUMANISEなど、確立されたベンチマークのベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2024-03-26T18:41:07Z)
• MoDi: Unconditional Motion Synthesis from Diverse Data [51.676055380546494]
  多様な動きを合成する無条件生成モデルであるMoDiを提案する。 我々のモデルは、多様な、構造化されていない、ラベルなしのモーションデータセットから完全に教師なしの設定で訓練されている。 データセットに構造が欠けているにもかかわらず、潜在空間は意味的にクラスタ化可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-16T09:06:25Z)

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。