論文の概要: Omni-Supervised Motion Editing: Balancing Change and Invariance through Positive-Negative Learning
- arxiv url: http://arxiv.org/abs/2605.30969v1
- Date: Fri, 29 May 2026 08:09:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.461992
- Title: Omni-Supervised Motion Editing: Balancing Change and Invariance through Positive-Negative Learning
- Title（参考訳）: Omni-Supervised Motion Editing: 正負の学習による変化と不変性のバランス
- Abstract要約: 我々はOmniMEという,Omni-Supervised Positive-Negative Learningフレームワークを提案する。
本手法は3つの相補的成分を統合する。
MotionFixとSTANCE調整データセットの実験は、OmniMEが編集アライメントにおける最先端のパフォーマンスを達成することを示した。
- 参考スコア（独自算出の注目度）: 55.410155357480654
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Text-based human motion editing aims to modify existing motion sequences according to natural language instructions while maintaining the consistency of the original motion. Existing diffusion-based approaches often rely on heuristic similarity cues or coarse global conditioning, leading to motion distortion and suboptimal semantic alignment. The key challenge lies in balancing change (i.e. precisely editing target regions) and invariance (i.e. preserving unedited parts). To handle such challenge, we propose an Omni-Supervised Positive-Negative Learning framework, named OmniME. Our method integrates three complementary components: (1) retrospective feature supervision that enforces coarse-to-fine consistency across transformer layers,(2) motion preservation mechanism that focuses on subtle variations according to the source-target similarity, and (3) triplet-based semantic alignment that strengthens text-motion correspondence. Together, these components form a unified supervision paradigm that balances change and invariance. Extensive experiments on the MotionFix and STANCE Adjustment datasets demonstrate that OmniME achieves state-of-the-art performance in editing alignment, validating the effectiveness of our unified learning framework. Our source codes and models have been released at: https://github.com/rocket-ycyer/OmniME.git
- Abstract（参考訳）: テキストベースのヒューマンモーション編集は、原文の動作の一貫性を維持しつつ、自然言語の指示に従って既存の動作シーケンスを変更することを目的としている。
既存の拡散に基づくアプローチは、しばしばヒューリスティックな類似性キューや粗い大域的条件に依存し、運動歪みと準最適意味的アライメントをもたらす。
重要な課題は、変化(すなわち、ターゲット領域を正確に編集する)と不変性(すなわち、未編集の部分を保存する)のバランスをとることである。
このような課題に対処するため,我々はOmniMEという,Omni-Supervised Positive-Negative Learningフレームワークを提案する。
提案手法は,(1)トランスフォーマー層間の粗大な一貫性を強制する振り返り機能監視,(2)ソース・ターゲットの類似性に応じた微妙な変動に着目した動作保存機構,(3)テキスト・モーション対応を強化する三重項に基づくセマンティックアライメントの3つを補完する。
これらのコンポーネントは共に、変化と不変性のバランスをとる統一的な監視パラダイムを形成します。
MotionFixとSTANCE調整データセットの大規模な実験により、OmniMEは編集アライメントにおける最先端のパフォーマンスを実現し、我々の統合学習フレームワークの有効性を検証した。
私たちのソースコードとモデルは、https://github.com/rocket-ycyer/OmniME.gitでリリースされました。
関連論文リスト
- Spatial Temporal Synergy: Balancing Change and Invariance in Text Driven 3D Human Motion Editing [78.44034844227868]
テキスト駆動型人間の動作編集は、自然言語の指示に従って既存の動作シーケンスを変更することを目的としている。
変化と不変性 (Change and Invariance Motion Editing, CIME) は、変化と不変性を空間的ポーズと時間的リズム次元に包括的に分離する統合フレームワークである。
MotionFixとSTANCE調整データセットの実験は、CIMEがアライメントと構造的忠実さの編集において最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2026-08-17T01:54:44Z) - UniMoFlow: Grounding Instruction-Driven 3D Human Motion Editing in Generation [31.218236544871967]
データ、アーキテクチャ、推論をまたいだテキスト・ツー・モーション・ジェネレーション内でのモーション編集を直接行う。
データレベルでは,Omni-MoEditを生成するクローズドループ合成検証パイプラインを開発した。
アーキテクチャレベルでは、UniMoFlowを導入します。UniMoFlowは、生成と編集の間に広範囲なセマンティックとセマンティックの知識を共有します。
本研究は,1つの接地真実参照から本質的に逸脱する有効な編集を考慮に入れた意味論的メトリクスを用いた標準評価を強化する。
論文 参考訳（メタデータ） (2026-08-10T05:42:58Z) - DWM: Separating World Effects from Actions in Latent World Models [34.35433044964186]
本稿では、この分解を運用する監督レベルフレームワークであるDWM(Decomposed World Model)を紹介する。
DWMは補助世界ヘッドで潜在世界モデルの予測を増強し、通常化された世界コントラストの目的によって正規化され、アクション不変である。
我々は、PushT-W、Reacher-W、TwoRoom-Wの3つの標準制御ベンチマークのW変種を構築する。
論文 参考訳（メタデータ） (2026-07-21T05:13:26Z) - Cross-Axis Feature Fusion with Joint-Wise Motion Difference Prediction for Text-Based 3D Human Motion Editing [12.284953145384264]
そこでは,自然言語で記述した編集を適用しながら,原文の動きのスタイルと構造を保存することを目的とする。
私たちのゴールは、この時間的側面だけでなく、特定のジョイントが変化に責任を持つのかを理解するモデルを作ることです。
論文 参考訳（メタデータ） (2026-05-31T05:09:42Z) - MotionMERGE: A Multi-granular Framework for Human Motion Editing, Reasoning, Generation, and Explanation [66.66098171359995]
MotionMERGEは、モーション言語モデルの粒度のギャップを埋める統合フレームワークである。
まず,詳細な理解と局所的な編集を含む,粒度の細かい言語誘導型モーションコントロールの研究の先駆者となる。
第2に,粒度調整を共同で行う新しい戦略である粒度事前学習を意識したReasoningAware Granularity-Synergyを設計する。
第3に、第1の微細時間補正命令とモーショングラウンドCoTアノテーションを備えた大規模データセットであるMotionFineEditをキュレートする。
論文 参考訳（メタデータ） (2026-05-18T18:00:04Z) - Language-Grounded Decoupled Action Representation for Robotic Manipulation [78.42228162226839]
認識と制御を結びつけるために,Language-Grounded Decoupled Action Representation (LaDA) フレームワークを提案する。
LaDAは3つの解釈可能なアクションプリミティブ(翻訳、回転、グリップ制御)の微細な中間層を導入し、低レベルのアクションに対して明示的な意味構造を提供する。
さらに、セマンティックガイダンスによるソフトラベルのコントラスト学習の目的を用いて、類似のアクションプリミティブをタスク間で整列させ、一般化と動きの整合性を高める。
論文 参考訳（メタデータ） (2026-03-13T13:08:26Z) - 3DGesPolicy: Phoneme-Aware Holistic Co-Speech Gesture Generation Based on Action Control [3.606473077857744]
3DGesPolicyは、連続的な軌跡制御問題として総合的なジェスチャー生成を再構成するアクションベースのフレームワークである。
フレーム・ツー・フレームの変動を統一的全体的動作としてモデル化することにより,フレーム間の動作パターンを効果的に学習する。
表現的アライメントにおけるギャップをさらに埋めるため,Gesture-Audio-Phoneme (GAP) 融合モジュールを提案する。
論文 参考訳（メタデータ） (2026-01-26T12:57:36Z) - The Devil is in Attention Sharing: Improving Complex Non-rigid Image Editing Faithfulness via Attention Synergy [71.39358554558667]
我々は,SynPSを紹介した。SynPSは位置埋め込みとセマンティック情報を利用して,忠実な非剛性画像編集を行う手法である。
本稿では,各段階で必要な編集規模を定量化する編集計測手法を提案する。
位置と意味を適応的に統合することで、SynPSはオーバー編集とアンダー編集の両方を効果的に避ける。
論文 参考訳（メタデータ） (2025-12-16T14:08:00Z) - SimMotionEdit: Text-Based Human Motion Editing with Motion Similarity Prediction [20.89960239295474]
本稿では,関連するタスク,動作類似度予測を導入し,マルチタスク学習パラダイムを提案する。
我々は、意味論的意味のある表現の学習を促進するために、動きの編集と動きの類似性予測を共同で訓練する。
実験は、アライメントと忠実さの両面において、我々のアプローチの最先端性能を実証した。
論文 参考訳（メタデータ） (2025-03-23T21:29:37Z) - SemanticBoost: Elevating Motion Generation with Augmented Textual Cues [73.83255805408126]
我々のフレームワークはセマンティック・エンハンスメント・モジュールとコンテキスト調整型モーション・デノイザ(CAMD)から構成されている。
CAMDアプローチは、高品質でセマンティックに一貫性のあるモーションシーケンスを生成するための全エンコンパスソリューションを提供する。
実験の結果,SemanticBoostは拡散法として自己回帰法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-10-31T09:58:11Z)
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。