論文の概要: Social Structure Matters in 3D Human-Human Interaction Generation

• arxiv url: http://arxiv.org/abs/2606.24255v1
• Date: Tue, 23 Jun 2026 07:43:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.829269
• Title: Social Structure Matters in 3D Human-Human Interaction Generation
• Title（参考訳）: 3次元人間-人間相互作用生成における社会構造
• Authors: Zhongju Wang, Beier Wang, Yatao Bian, Pichao Wang, Zhi Wang, Daoyi Dong, Hongdong Li, Huadong Mo, Zhenhong Sun,
• Abstract要約: 我々はHHI生成を社会構造モデリングと接地問題として定式化する。 モデルはまず、相互作用がどのように展開され、2人のアクターが役割を調整するかを推測する必要があります。 我々のフレームワークは、位相整合性、役割整合性、パートナー認識調整を改善した3D HHIを生成する。
• 参考スコア（独自算出の注目度）: 70.08319433924056
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although text-to-motion generation has achieved strong progress in synthesizing realistic single-person motions from language, extending it to text-driven 3D human-human interaction (HHI) remains non-trivial, as HHI requires modeling the underlying \textbf{social structure} that governs phase progression, actor roles, and inter-actor coordination. In this paper, we formulate HHI generation as a social structure modeling and grounding problem: the model must first infer how an interaction unfolds and how the two actors coordinate their roles, and then realize this structure as continuous, physically plausible, and partner-aware 3D motion. To study how such structure should be modeled, we first examine the capability boundary of large language models (LLMs) for HHI generation. Our analysis shows that LLMs can \textit{think} by recovering phase decompositions and partner-aware roles, but cannot directly \textit{move}, as they fail to generate dynamic, physically plausible, and interaction-aware motion. This motivates our planner-executor paradigm, \textbf{Think with LLM, Move with Motion Skill}. The LLM planner converts implicit interaction semantics into motion-aligned social supervision by decomposing interactions into phases, assigning partner-aware actor roles, and aligning them with motion sequence. The motion executor then grounds the planned social structure into coordinated two-person motion by adapting a pretrained solo motion model with LoRA, previous-phase self-conditioning, and ego-relative partner conditioning. Together, our Solo-to-Social framework bridges social organization and motion realization, producing 3D HHI with improved phase consistency, role alignment, and partner-aware coordination.
• Abstract（参考訳）: テキスト・トゥ・モーション・ジェネレーションは、言語から現実的な単一人物の動きを合成する上で大きな進歩を遂げているが、HHIは相の進行、アクターの役割、アクター間の調整を司る基礎となる「textbf{social structure}」をモデル化する必要があるため、テキスト駆動型3Dヒューマンインタラクション(HHI)に拡張することは簡単ではない。 本稿では,HHI生成を社会構造モデリングおよび基盤問題として定式化し,まず,相互作用がどのように展開され,どのように2人のアクターが役割を協調するかを推定し,その構造を連続的,物理的に可視的,パートナー対応の3Dモーションとして実現しなければならない。 本研究ではまず,HHI生成のための大規模言語モデル(LLM)の機能境界について検討する。 我々の分析では、LCMは相分解やパートナー対応のロールを復元することで \textit{think} を生成できるが、動的で物理的に妥当でインタラクション対応の動作を生成できないため、直接 \textit{move} を生成できない。 これにより、プランナーと実行者のパラダイムである \textbf{Think with LLM, Move with Motion Skill} がモチベーションとなります。 LLMプランナーは、暗黙的な相互作用のセマンティクスを、相互作用をフェーズに分解し、パートナーを意識したアクターロールを割り当て、それらをモーションシーケンスと整合させることによって、動きに沿った社会的な監視に変換する。 動作実行者は、計画された社会的構造をLoRA、前フェーズの自己条件付け、エゴ相対パートナー条件付けによる事前訓練された単独動作モデルに適応させることにより、協調された2人動作に基盤付ける。 我々のSolo-to-Socialフレームワークは、社会的組織と運動の実現を橋渡しし、位相整合性、役割整合性、パートナー意識の協調性を改善した3D HHIを生成します。

関連論文リスト

• EgoMotion: Hierarchical Reasoning and Diffusion for Egocentric Vision-Language Motion Generation [74.07852250099559]
  Egocentric Vision-Language (Ego-VL) モーション生成について検討する。 本課題は,1対1の視覚的観察と自然言語の指示を併用した3次元人間の動作を合成することである。 この課題に対処するために,階層型生成フレームワーク textbfEgoMotion を提案する。
  論文  参考訳（メタデータ） (2026-04-21T05:31:06Z)
• SocialMirror: Reconstructing 3D Human Interaction Behaviors from Monocular Videos with Semantic and Geometric Guidance [49.69016078147708]
  密接な相互作用シナリオにおける人間の行動の正確な再構築は、拡張現実における現実的な仮想インタラクションの実現に不可欠である。 本稿では,これらの問題に効果的に対処するための意味的および幾何学的手がかりを統合する拡散ベースのフレームワークであるSocialMirrorを提案する。 SocialMirrorはインタラクティブなヒューマンメッシュを再構築する上で,最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-04-15T07:41:52Z)
• HO-Flow: Generalizable Hand-Object Interaction Generation with Latent Flow Matching [113.81911881001905]
  HO-Flowはテキストと正準3Dオブジェクトから現実的な手動動作シーケンスを合成するためのフレームワークである。 まず、手動と物体の動きのシーケンスを統一された潜在多様体に符号化するために、相互作用を意識した変分オートエンコーダを用いる。 次に、自己回帰的時間的推論と連続的な潜伏生成を組み合わせたマスク付きフローマッチングモデルを利用する。
  論文  参考訳（メタデータ） (2026-04-12T22:06:11Z)
• Real-Time Synchronized Interaction Framework for Emotion-Aware Humanoid Robots [0.5156484100374058]
  音声韻律と全体ジェスチャーを同期するNAOロボットのためのリアルタイムフレームワークを提案する。 シームレスな感覚運動調整を可能にすることにより、コンテキスト認識型社会ロボットの展開が促進される。
  論文  参考訳（メタデータ） (2026-01-24T03:53:09Z)
• UniHM: Universal Human Motion Generation with Object Interactions in Indoor Scenes [26.71077287710599]
  シーン認識型人間の動作に拡散に基づく生成を利用する統一運動言語モデルUniHMを提案する。 UniHMは、複雑な3DシーンでText-to-MotionとText-to-Human-Object Interaction (HOI)の両方をサポートする最初のフレームワークである。 提案手法では, 動作リアリズムを改善するために, 連続した6DoF運動と離散的な局所運動トークンを融合する混合運動表現, 従来のVQ-VAEを上回り, 再現精度と生成性能を両立させる新規なLook-Up-Free Quantization VAE, 強化されたバージョンの3つの重要なコントリビューションを導入している。
  論文  参考訳（メタデータ） (2025-05-19T07:02:12Z)
• Human-Object Interaction via Automatically Designed VLM-Guided Motion Policy [30.43930233035367]
  VLM(Vision-Language Models)を利用した最初の統合物理ベースのHOフレームワークを紹介する。 VLM-Guided Relative Movement Dynamics (RMD)を導入する。これは、強化学習のための目標状態と報酬関数を自動的に構築する、微細な時間的二部運動表現である。 提案手法をサポートするために,何千もの長期の静的および動的相互作用計画を持つ新しいデータセットであるInterplayを提案する。
  論文  参考訳（メタデータ） (2025-03-24T05:18:04Z)
• Jointly Understand Your Command and Intention:Reciprocal Co-Evolution between Scene-Aware 3D Human Motion Synthesis and Analysis [80.50342609047091]
  シーン認識型テキスト対人間合成は、同じテキスト記述から多様な屋内動作サンプルを生成する。 そこで本研究では,テキスト駆動型シーン特異的なヒューマンモーション生成を3段階に分解するケースドジェネレーション戦略を提案する。 我々は3次元シーンにおけるリアルな人間の動き合成と頑健な人間の動き解析を共同で改善する。
  論文  参考訳（メタデータ） (2025-03-01T06:56:58Z)

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。