論文の概要: TeleMorpher: Toward Robust Simultaneous Motion-Location Editing

• arxiv url: http://arxiv.org/abs/2606.19676v1
• Date: Thu, 18 Jun 2026 01:00:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.594329
• Title: TeleMorpher: Toward Robust Simultaneous Motion-Location Editing
• Title（参考訳）: TeleMorpher:ロバストな同時モーションロケーション編集を目指して
• Authors: Haengbok Chung,
• Abstract要約: 本稿では,移動位置の同時編集のための最初のワンショットフレームワークであるTeleMorpherを提案する。 提案手法は,市販モデルから生成した目標動き中心の動画をモーション編集ガイダンスとして活用する。 In-the-wildビデオとTaiChiデータセットによる実験では、TeleMorpherは定量測定と定性測定の両方で優れたパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have achieved remarkable success in image and video generation and editing. While recent studies have extended these efforts toward motion editing, simultaneously transforming both motion and location-despite its practical importance-remains largely unexplored. To better understand robust motion-location editing, we first analyze the fundamental factors that degrade its quality. Based on this analysis, we propose TeleMorpher, one of the first one-shot frameworks to the best of our knowledge, for simultaneous motion-location editing. Our approach leverages motion priors, a target motion-centric video generated from an off-the-shelf model as motion-editing guidance, and the ground truth motion to enable more controllable and precise motion-location editing. Via this, our framework works as follows: (1) we first disentangle the protagonist and the background via pre-trained segmentation and inpainting models. (2) Then, we introduce a training-free pose warping that edits the protagonist's motion with the motion prior as the guidance. (3) The result of warped motion video is directly injected into a baseline motion editor during inference, mitigating the difference between source and target motions while preserving the appearance of the source video. (4) To enhance the reliability of quantitative evaluations, we propose two new LPIPS-based metrics that measure the background consistency before and after the motion editing and the fidelity of motion editing performance via measuring the difference between the extracted protagonist's skeletons from source and target videos. Experiments with in-the-wild videos and the TaiChi dataset demonstrate that TeleMorpher achieves superior performance across both quantitative and qualitative measurements (real-human evaluation), underscoring its effectiveness.
• Abstract（参考訳）: 拡散モデルは画像生成と編集において顕著な成功を収めた。 近年の研究では、運動編集への取り組みが拡張されているが、実際の重要性にもかかわらず、運動と位置の両方を同時に変換している。 頑健な動き位置編集をよりよく理解するために、まず、その品質を劣化させる基本的な要因を分析する。 この分析に基づいて,移動位置編集を同時に行うために,我々の知識を最大限活用する最初のワンショットフレームワークの一つであるTeleMorpherを提案する。 提案手法では,移動先行,オフザシェルフモデルから生成された目標動き中心の動画をモーション編集ガイダンスとして利用し,より制御可能で正確な移動位置編集を可能にする。 1) 事前に訓練されたセグメンテーションとインパインティングモデルによって、まず主人公と背景を歪めます。 2) トレーニング不要なポーズ・ワープを導入し, 指導に先立って, 主人公の動きを手動で編集する。 3) 原動画の外観を保ちながら, 原動と目標動との差を緩和し, 原動エディタに直接乱れ動画が注入される。 (4) 定量的評価の信頼性を高めるため,提案するLPIPSベースの2つの指標を用いて,動きの編集前後の背景の一貫性と,抽出した主人公の骨格のソースとターゲットビデオとの差を測定することで,動きの編集性能の忠実度を計測する。 In-the-wildビデオとTaiChiデータセットによる実験では、TeleMorpherは定量測定と定性評価の両方で優れたパフォーマンスを達成し、その効果を裏付けている。

関連論文リスト

• MotionEdit: Benchmarking and Learning Motion-Centric Image Editing [81.28392925790568]
  動き中心の画像編集のための新しいデータセットであるMotionEditを紹介する。 MotionEditは、連続ビデオから抽出されたリアルな動き変換を描写した高忠実な画像ペアを提供する。 本研究では,入力画像とモデル編集画像間の動きの流れが地中動とどのように一致しているかに基づいて,動きアライメントの報酬を計算するためにMotionNFTを提案する。
  論文  参考訳（メタデータ） (2025-12-11T04:53:58Z)
• A Plug-and-Play Physical Motion Restoration Approach for In-the-Wild High-Difficulty Motions [56.709280823844374]
  動作コンテキストとビデオマスクを利用して、欠陥のある動作を修復するマスクベースの動作補正モジュール(MCM)を導入する。 また,運動模倣のための事前訓練および適応手法を用いた物理ベースの運動伝達モジュール (PTM) を提案する。 本手法は,高速な移動を含む映像モーションキャプチャ結果を物理的に洗練するためのプラグイン・アンド・プレイモジュールとして設計されている。
  論文  参考訳（メタデータ） (2024-12-23T08:26:00Z)
• MotionFix: Text-Driven 3D Human Motion Editing [52.11745508960547]
  主な課題は、トレーニングデータの不足と、ソースの動きを正確に編集するモデルの設計である。 本研究では, (i) 震源運動, (ii) 目標運動, (iii) 編集テキストからなる三つ組のデータセットを半自動で収集する手法を提案する。 このデータにアクセスすると、ソースモーションと編集テキストの両方を入力として取り込む条件拡散モデルTMEDをトレーニングできます。
  論文  参考訳（メタデータ） (2024-08-01T16:58:50Z)
• MotionFollower: Editing Video Motion via Lightweight Score-Guided Diffusion [94.66090422753126]
  MotionFollowerは、ビデオモーション編集のための軽量なスコア誘導拡散モデルである。 優れたモーション編集性能を提供し、大きなカメラの動きとアクションのみをサポートする。 最新のモーション編集モデルであるMotionEditorと比較して、MotionFollowerはGPUメモリの約80%の削減を実現している。
  論文  参考訳（メタデータ） (2024-05-30T17:57:30Z)
• Edit-Your-Motion: Space-Time Diffusion Decoupling Learning for Video Motion Editing [46.56615725175025]
  本稿では,ワンショット微調整による未確認課題に対処するビデオモーション編集手法であるEdit-Your-Motionを紹介する。 映像の動作と外観を効果的に分離するために,時間的二段階学習戦略を設計する。 Edit-Your-Motionを使えば、ユーザーはソースビデオの中の人間の動きを編集でき、より魅力的で多様なコンテンツを作ることができる。
  論文  参考訳（メタデータ） (2024-05-07T17:06:59Z)
• Learning Variational Motion Prior for Video-based Motion Capture [31.79649766268877]
  ビデオに基づくモーションキャプチャーのための新しい変分動作先行学習手法(VMP)を提案する。 我々のフレームワークはフレームワイドポーズ推定における時間的ジッタリングと障害モードを効果的に削減できる。 公開データセットとインザワイルドビデオの両方を用いた実験により、我々のフレームワークの有効性と一般化能力が実証された。
  論文  参考訳（メタデータ） (2022-10-27T02:45:48Z)

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。