論文の概要: KV-Control: Parameter-Efficient K/V Injection for Trajectory-Controlled Text-to-Motion

• arxiv url: http://arxiv.org/abs/2606.05624v1
• Date: Thu, 04 Jun 2026 02:50:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.507408
• Title: KV-Control: Parameter-Efficient K/V Injection for Trajectory-Controlled Text-to-Motion
• Title（参考訳）: KV-Control: 軌道制御されたテキスト・トゥ・モーションのためのパラメータ効率の良いK/V注入
• Authors: Tengjiao Sun, Pengcheng Fang, Xiaoyu Zhan, Yanwen Guo, Dongjie Fu, Xiaohao Cai, Hansung Kim,
• Abstract要約: フリーズテキスト・トゥ・モーション・トランスのためのコンパクトなアテンション側制御インタフェースであるKV-Controlを導入する。 KV-Controlは、トラジェクティブコンディショニングを軽量なメモリ検索としてリフレームし、テキスト・トゥ・モーション生成のための小型で正確で透明な制御インターフェースを提供する。
• 参考スコア（独自算出の注目度）: 18.297396604431018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-conditioned 3D human motion models now synthesize plausible motions from prompts, but practical animation and embodied-agent workflows rarely stop at text: a character may need to follow a sketched root path, hit an end-effector target, or satisfy a multi-joint trajectory while still preserving the gait, style, and intent described by language. This exposes a control trade-off. A trajectory controller should be precise without overwriting the pretrained text-conditioned motion prior, yet existing solutions either duplicate large portions of the generator to regain per-layer control access or move much of the cost to test-time optimization. We introduce KV-Control, a compact attention-side control interface for frozen masked text-to-motion transformers. The key idea is to make geometric constraints available as memory inside self-attention rather than injecting them through a global pose token or enforcing them only at the output side. To support this interface, we co-design a part-tokenized motion substrate and controller: \textbf{PartVQ} learns anatomy-aligned part codebooks, T-Concat exposes each frame--part token as an attention-addressable site, and KV-Control injects control-conditioned key/value memories at every self-attention layer while preserving the pretrained query stream, text cross-attention, FFN, and all backbone weights. The resulting adapter adds only trainable injection parameters atop a shared trajectory encoder, yet tracks root and multi-joint constraints with sub-centimeter accuracy under the inherited refinement protocol while retaining text-conditioned motion quality. KV-Control reframes trajectory conditioning as lightweight memory retrieval, providing a small, precise, and transparent control interface for text-to-motion generation.
• Abstract（参考訳）: テキストコンディショニングされた人間の3Dモーションモデルは、プロンプトから可塑性運動を合成するが、実用的なアニメーションや具体化されたエージェントワークフローがテキストで終わることは滅多にない: キャラクターはスケッチされたルートパスを辿り、エンドエフェクターターゲットをヒットさせたり、あるいは多関節の軌道を満足させながら、まだ歩行、スタイル、意図を言語によって記述されている。 これはコントロールトレードオフを露呈する。 トラジェクトリコントローラは、事前訓練されたテキスト条件の動作を上書きすることなく正確であるべきであるが、既存のソリューションは、ジェネレータの大部分を複製して層間制御アクセスを回復するか、テスト時間最適化に多くのコストを費やすかのいずれかである。 KV-Controlは,凍結マスク型テキスト-モーション変換器のための,コンパクトなアテンション側制御インタフェースである。 鍵となる考え方は、グローバルなポーズトークンを通じてメモリを注入したり、出力側でのみ強制するのではなく、メモリを自己注意内のメモリとして利用できるようにすることである。 このインターフェースをサポートするために、部分トークン化されたモーション基板とコントローラを共同設計する: \textbf{PartVQ} は、解剖学的に整合したパーツコードブックを学習し、T-Concat は、各フレーム部分トークンを注意順応可能なサイトとして公開し、KV-Control は、事前訓練されたクエリストリーム、テキストクロスアテンション、FFN、およびすべてのバックボーン重みを保存しながら、制御条件付きキー/バリューメモリを各セルフアテンション層に注入する。 このアダプタは、共有軌跡エンコーダ上のトレーニング可能な注入パラメータのみを付加するが、テキスト条件の動作品質を維持しながら、継承された精細化プロトコルの下で、ルートおよびマルチジョイント制約をサブセンチメートルの精度で追跡する。 KV-Controlは、トラジェクティブコンディショニングを軽量なメモリ検索としてリフレームし、テキスト・トゥ・モーション生成のための小型で正確で透明な制御インターフェースを提供する。

関連論文リスト

• Controllable Text-to-Motion Generation via Modular Body-Part Phase Control [25.2003430574182]
  テキスト・トゥ・モーション(T2M)生成はアニメーションとインタラクティブなアバターの実用的なツールになりつつある。 構造化された局所的な編集を可能にするプラグイン・アンド・プレイ・フレームワークであるModular Body-Part Phase Controlを提案する。 拡散モデルと流れモデルの両方の実験により、我々の手法は運動の大きさ、速度、タイミングに対する予測可能かつきめ細かい制御を提供することを示した。
  論文  参考訳（メタデータ） (2026-03-20T09:37:16Z)
• The Unreasonable Effectiveness of Text Embedding Interpolation for Continuous Image Steering [18.29130390175963]
  テキスト条件生成モデルに対するテスト時に連続的かつ制御可能な画像編集のためのトレーニング不要なフレームワークを提案する。 テキスト埋め込み空間における単純なステアリングは、スムーズな編集制御を実現するのに十分である。 私たちのアプローチは、トレーニングベースの代替手段に匹敵するものであり、他のトレーニングフリーメソッドよりも優れています。
  論文  参考訳（メタデータ） (2026-03-18T17:57:53Z)
• FineXtrol: Controllable Motion Generation via Fine-Grained Text [46.315592728110346]
  FineXtrolは、時間的に認識され、正確で、ユーザフレンドリで、きめ細かいテキスト制御信号によってガイドされる、効率的なモーション生成のための新しいフレームワークである。 制御可能なモーション生成においてFineXtrolは高い性能を示す。
  論文  参考訳（メタデータ） (2025-11-24T09:32:26Z)
• TGT: Text-Grounded Trajectories for Locally Controlled Video Generation [33.989722489622075]
  本稿では,テキスト記述と組み合わせたトラジェクトリ上でのビデオ生成を行うフレームワークであるText-Grounded Trajectories (TGT)を紹介する。 TGTは、従来のアプローチと比較して、より高い視覚的品質、より正確なテキストアライメント、モーションコントロール性の向上を実現している。
  論文  参考訳（メタデータ） (2025-10-16T19:45:27Z)
• Text-guided 3D Human Motion Generation with Keyframe-based Parallel Skip Transformer [62.29951737214263]
  既存のアルゴリズムは、コストがかかりエラーを起こしやすい全シーケンスを直接生成する。 本稿では,入力テキストに対応する人間の動作系列を生成するKeyMotionを提案する。 我々は,自動エンコーダを潜在空間に投影するために,Kullback-Leibler正規化付き変分符号器(VAE)を用いる。 逆拡散のために,デザインラテントとテキスト条件の相互参照を行う新しいパラレルスキップ変換器を提案する。
  論文  参考訳（メタデータ） (2024-05-24T11:12:37Z)
• OMG: Towards Open-vocabulary Motion Generation via Mixture of Controllers [45.808597624491156]
  我々は、ゼロショットオープン語彙テキストプロンプトから魅力的な動き生成を可能にする新しいフレームワークOMGを提案する。 事前学習の段階では、ドメイン外固有のリッチな動作特性を学習することで、生成能力を向上させる。 微調整の段階では、テキストプロンプトを条件情報として組み込んだモーションコントロールネットを導入する。
  論文  参考訳（メタデータ） (2023-12-14T14:31:40Z)
• Fine-grained Controllable Video Generation via Object Appearance and Context [74.23066823064575]
  細粒度制御可能なビデオ生成法(FACTOR)を提案する。 FACTORは、オブジェクトの位置とカテゴリを含む、オブジェクトの外観とコンテキストを制御することを目的としている。 本手法は,オブジェクトの外観を微調整せずに制御し,オブジェクトごとの最適化作業を省く。
  論文  参考訳（メタデータ） (2023-12-05T17:47:33Z)
• TLControl: Trajectory and Language Control for Human Motion Synthesis [68.09806223962323]
  本稿では,人間のリアルな動き合成のための新しい手法であるTLControlを提案する。 低レベルのTrajectoryと高レベルのLanguage semanticsコントロールが組み込まれている。 インタラクティブで高品質なアニメーション生成には実用的である。
  論文  参考訳（メタデータ） (2023-11-28T18:54:16Z)

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。