論文の概要: DC-Motion: Decoupling Semantics and Details via Discrete-Continuous Tokens for Human Motion Generation

• arxiv url: http://arxiv.org/abs/2606.14721v1
• Date: Thu, 28 May 2026 11:47:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-21 20:00:42.742556
• Title: DC-Motion: Decoupling Semantics and Details via Discrete-Continuous Tokens for Human Motion Generation
• Title（参考訳）: DC-Motion:人間の運動生成のための離散連続トークンによる意味と詳細の分離
• Authors: Hequan Wang, Jiaxu Zhang, Zhengbo Zhang, Zhigang Tu,
• Abstract要約: 我々はDC-Motionを紹介した。DC-Motionは、離散連続トークンを通して意味と詳細を明確に分離するために設計された、分解された生成フレームワークである。 マスク付きARモデルはテキストから離散構造を予測し、軽量な残留拡散モデルは連続的な物理的詳細を回復する。 HumanML3DとKIT-MLデータセットの両方で、DC-Motionは最先端のパフォーマンスを実現し、モーションリアリズムのための最高のFIDとテキストアライメントのためのR精度を提供する。
• 参考スコア（独自算出の注目度）: 11.57444637723047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-to-motion generation requires synthesizing physically realistic dynamics that strictly follow complex and long-horizon textual instructions. Existing approaches rely on homogeneous representation spaces that may fail to capture the hierarchical nature of human motion, with diffusion models struggling at compositional semantic reasoning and AR models sacrificing fine-grained physical details due to quantization. To solve it, we introduce DC-Motion, a factorized generative framework designed to explicitly decouple semantics and details via discrete-continuous tokens. A Discrete-Continuous VAE (DC-VAE) first decomposes motion into discrete tokens for semantics and continuous residuals for fine-grained dynamics. Then, a masked AR model predicts the discrete structure from text, and a lightweight residual diffusion model recovers the continuous physical details. Extensive experiments demonstrate that DC-Motion effectively improves the capability to follow complex instructions. By effectively balancing semantic controllability and physical realism, our approach offers a highly adaptable modeling paradigm for human motion generation. On both HumanML3D and KIT-ML datasets, DC-Motion achieves state-of-the-art performance, delivering the best FID for motion realism and R-precision for text alignment.
• Abstract（参考訳）: テキスト・トゥ・モーション・ジェネレーションは、複雑で長い水平なテキストの指示に厳密に従う物理的に現実的なダイナミクスを合成する必要がある。 既存のアプローチは、人間の運動の階層的な性質を捉えるのに失敗する均質な表現空間に依存しており、拡散モデルは構成的意味論的推論に苦慮し、ARモデルは量子化による微細な物理的詳細を犠牲にしている。 そこで我々はDC-Motionを紹介した。DC-Motionは離散連続トークンを用いて意味論と詳細を明示的に分離するために設計された因子化生成フレームワークである。 離散連続VAE(DC-VAE)は、まず運動を意味論のための離散トークンと微粒なダイナミクスのための連続残差に分解する。 そして、マスク付きARモデルによりテキストから離散構造を予測し、軽量残差拡散モデルにより連続的な物理的詳細を復元する。 大規模な実験により、DC-Motionは複雑な命令に従う能力を効果的に改善することが示された。 セマンティック・コントロール可能性と物理的リアリズムを効果的にバランスさせることにより,本手法は人間の動作生成に高度に適応可能なモデリングパラダイムを提供する。 HumanML3DとKIT-MLデータセットの両方で、DC-Motionは最先端のパフォーマンスを実現し、モーションリアリズムのための最高のFIDとテキストアライメントのためのR精度を提供する。

関連論文リスト

• MotionVerse: A Unified Multimodal Framework for Motion Comprehension, Generation and Editing [53.98607267063729]
  MotionVerseは、シングルパーソンとマルチパーソンの両方のシナリオで人間の動作を理解し、生成し、編集するフレームワークである。 我々は、連続的な動き列をマルチストリーム離散トークンに変換する残差量子化を伴う動きトークン化器を用いる。 また、残留トークンストリームの符号化を時間的に停滞させる textitDelay Parallel Modeling 戦略も導入する。
  論文  参考訳（メタデータ） (2025-09-28T04:20:56Z)
• Motion-R1: Chain-of-Thought Reasoning and Reinforcement Learning for Human Motion Generation [31.484189825477877]
  Motion-R1は、Chain-of-Thoughtメカニズムを統合したモーション言語モデリングフレームワークである。 複雑なテキスト命令を論理的に構造化されたアクションパスに明示的に分解することで、モーションR1はモーション生成のための高レベルなセマンティックガイダンスを提供する。 複数のベンチマークデータセットに対する実験では、Motion-R1は最先端の手法と比較して、競争力や優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-06-12T05:21:43Z)
• Towards Robust and Controllable Text-to-Motion via Masked Autoregressive Diffusion [33.9786226622757]
  テキスト記述から3次元動作を生成するための頑健な動き生成フレームワークMoMADiffを提案する。 我々のモデルはフレキシブルなユーザ提供仕様をサポートし、動き合成の空間的側面と時間的側面の両方を正確に制御できる。 提案手法は, 動作品質, 命令忠実度, 定着度において, 常に最先端のモデルより優れる。
  論文  参考訳（メタデータ） (2025-05-16T09:06:15Z)
• Text-driven Human Motion Generation with Motion Masked Diffusion Model [23.637853270123045]
  テキスト・ヒューマン・モーション・ジェネレーション(テキスト・ヒューマン・モーション・ジェネレーション)は、自然言語で条件付けられた人間の動作シーケンスを合成するタスクである。 現在の拡散モデルに基づくアプローチは、生成の多様性と多モード性において優れた性能を持つ。 拡散モデルのための新しい動き機構である運動マスク付き拡散モデルbftext(MMDM)を提案する。
  論文  参考訳（メタデータ） (2024-09-29T12:26:24Z)
• Towards Detailed Text-to-Motion Synthesis via Basic-to-Advanced Hierarchical Diffusion Model [60.27825196999742]
  本稿では,B2A-HDMと呼ばれる新しい階層型拡散モデルを提案する。 特に、低次元ラテント空間における基本拡散モデルは、テキスト記述と整合した中間偏微分結果を与える。 高次元ラテント空間における高度な拡散モデルは、以下の詳細エンハンス・デノナイジング過程に焦点をあてる。
  論文  参考訳（メタデータ） (2023-12-18T06:30:39Z)
• 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)
• Priority-Centric Human Motion Generation in Discrete Latent Space [59.401128190423535]
  テキスト・ツー・モーション生成のための優先中心運動離散拡散モデル(M2DM)を提案する。 M2DMは、コード崩壊に対処するために、グローバルな自己注意機構と正規化用語を組み込んでいる。 また、各動きトークンの重要度から決定される革新的なノイズスケジュールを用いた動き離散拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-08-28T10:40:16Z)

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。