論文の概要: Generative Learning as a Tool to Improve Perception of Emotional Body Motion Expressions

• arxiv url: http://arxiv.org/abs/2606.28769v1
• Date: Sat, 27 Jun 2026 06:51:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.682372
• Title: Generative Learning as a Tool to Improve Perception of Emotional Body Motion Expressions
• Title（参考訳）: 感情運動表現の知覚を改善するツールとしての生成学習
• Abstract要約: 生成モデルが文化的基盤となるモーションキャプチャーデータから感情的な身体の動きを暗黙的に学習できるかどうかを検討する。 13個の個別感情ラベルに条件付けされた表現運動を生成するためにトランスフォーマーに基づく生成モデルを訓練した。 我々の研究は、感情コンピューティングアプリケーションを強化する暗黙的、データ駆動型生成モデリングの可能性を強調した。
• 参考スコア（独自算出の注目度）: 12.662553913123043
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Emotional body motion expressions are an essential element of non-verbal communication. Effectively conveying these expressions through technology is of utmost importance, for example, with virtual reality avatars and in social robotics. Recent advances in generative models have opened new opportunities for advancing research on emotional body motion learning. However, generating accurate emotional expression representations is challenging, given the subtlety of emotional cues, individual variability, and cultural differences. We investigate whether a generative model can implicitly learn emotional body motions directly from culturally grounded motion-capture data, without explicit emotion-motion guidance. Using a dataset of emotional performances by 49 Japanese actors, we trained a Transformer-based generative model to generate expressive motions conditioned on 13 discrete emotion labels. We evaluate the generated motions from two perspectives: (1) an LSTM-based classifier to assess recognizability by machine observers, achieving a recognition accuracy of 22.80%, and (2) a human perception study with Japanese raters to assess alignment with human affective interpretations, yielding a recognition accuracy of 24.91%. Beyond these, we evaluate the utility of generative modeling for three practical tasks: augmenting emotion recognition models, extracting representative emotion-specific motion patterns, and synthesizing smooth transitions between emotion intensities. Our findings highlight the potential of implicit, data-driven generative modeling to enhance affective computing applications and our understanding of emotion expressions.
• Abstract（参考訳）: 感情的身体運動表現は非言語コミュニケーションの重要な要素である。 これらの表現を技術を通して効果的に伝達することは、例えばバーチャルリアリティーアバターやソーシャルロボティクスにおいて、最も重要である。 生成モデルの最近の進歩は、感情的な身体運動学習の研究を前進させる新たな機会を開きつつある。 しかし、感情的手がかりの微妙さ、個人的多様性、文化的差異などを考えると、正確な感情的表現の生成は困難である。 生成モデルが、明示的な情動誘導を伴わずに、文化的根拠のあるモーションキャプチャーデータから直接、感情的な身体の動きを暗黙的に学習できるかどうかを検討する。 49人の日本人俳優による感情的パフォーマンスのデータセットを用いて、トランスフォーマーに基づく生成モデルを訓練し、13個の個別感情ラベルに条件付けされた表現的動作を生成する。 本研究では,機械観測者による認識可能性を評価するLSTMに基づく分類器,認識精度22.80%,認識精度24.91%,認識精度24.91%という2つの視点から評価を行った。 さらに、感情認識モデルの拡張、代表的感情特異的な動作パターンの抽出、感情強度間のスムーズな遷移の合成という3つの実践的な課題に対して、生成モデルの有用性を評価した。 本研究は、感情コンピューティングアプリケーションと感情表現の理解を高める暗黙的・データ駆動型生成モデリングの可能性を強調した。

関連論文リスト

• Evaluation of Generative Models for Emotional 3D Animation Generation in VR [14.647008099740356]
  仮想リアリティ(VR)環境における感情的な3次元アニメーション生成モデルの評価を行った。 2つの感情的幸福(高覚醒)と中性(中覚醒)の3つの状態における感情的品質について検討した。 その結果、感情を明示的にモデル化する手法は、音声駆動の同期にのみ焦点を絞った方法に比べて、認識精度が高いことがわかった。
  論文  参考訳（メタデータ） (2025-12-18T01:56:22Z)
• EmoCAST: Emotional Talking Portrait via Emotive Text Description [56.42674612728354]
  EmoCASTは、正確なテキスト駆動感情合成のための拡散ベースのフレームワークである。 外観モデリングでは、感情的なプロンプトはテキスト誘導の分離された感情的モジュールを通して統合される。 EmoCASTは、現実的で感情的に表現され、音声同期されたトーキーヘッドビデオを生成する、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-08-28T10:02:06Z)
• Think-Before-Draw: Decomposing Emotion Semantics & Fine-Grained Controllable Expressive Talking Head Generation [7.362433184546492]
  コンピュータビジョンとマルチモーダル人工知能の交差点における重要な研究領域として、感情的トーキー生成が出現している。 本研究では,2つの課題に対処するThink-Before-Drawフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-17T03:33:46Z)
• Disentangle Identity, Cooperate Emotion: Correlation-Aware Emotional Talking Portrait Generation [63.94836524433559]
  DICE-Talkは、感情と同一性を切り離し、類似した特徴を持つ感情を協調するフレームワークである。 我々は、モーダル・アテンションを通して、音声と視覚の感情の手がかりを共同でモデル化するアンタングル型感情埋め込み装置を開発した。 次に,学習可能な感情バンクを用いた相関強化感情調和モジュールを提案する。 第3に、拡散過程における感情の一貫性を強制する感情識別目標を設計する。
  論文  参考訳（メタデータ） (2025-04-25T05:28:21Z)
• Modelling Emotions in Face-to-Face Setting: The Interplay of Eye-Tracking, Personality, and Temporal Dynamics [1.6029719942799865]
  本研究では、視線追跡データ、時間的ダイナミクス、性格特性を統合することで、知覚と知覚の両方の感情の検出を大幅に向上させる方法について述べる。 本研究は,将来の情緒コンピューティングと人間エージェントシステムの設計を示唆するものである。
  論文  参考訳（メタデータ） (2025-03-18T13:15:32Z)
• When Words Smile: Generating Diverse Emotional Facial Expressions from Text [77.1867389815291]
  本稿では,感情動態に着目したエンドツーエンドのテキスト対表現モデルを提案する。 我々のモデルは連続的な潜伏空間における表情の変動を学習し、多様な、流動的で、感情的に一貫性のある表現を生成する。
  論文  参考訳（メタデータ） (2024-12-03T15:39:05Z)
• Enhancing Emotional Generation Capability of Large Language Models via Emotional Chain-of-Thought [50.13429055093534]
  大規模言語モデル(LLM)は様々な感情認識タスクにおいて顕著な性能を示した。 本研究では,感情生成タスクにおけるLLMの性能を高めるための感情連鎖(ECoT)を提案する。
  論文  参考訳（メタデータ） (2024-01-12T16:42:10Z)
• HICEM: A High-Coverage Emotion Model for Artificial Emotional Intelligence [9.153146173929935]
  次世代の人工知能(AEI)は、より深く、より有意義な人間と機械の相互作用に対するユーザの欲求に対処するために、中心的な段階を採っている。 心理学における歴史的焦点である感情の理論とは異なり、感情モデルは記述的な道具である。 この研究は、社会ロボティクス、人間と機械の相互作用、メンタルヘルスケア、計算心理学に幅広い影響を及ぼす。
  論文  参考訳（メタデータ） (2022-06-15T15:21:30Z)
• Data-driven emotional body language generation for social robotics [58.88028813371423]
  社会ロボティクスでは、人間型ロボットに感情の身体的表現を生成する能力を与えることで、人間とロボットの相互作用とコラボレーションを改善することができる。 我々は、手作業で設計されたいくつかの身体表現から学習する深層学習データ駆動フレームワークを実装した。 評価実験の結果, 生成した表現の人間同型とアニマシーは手作りの表現と異なる認識が得られなかった。
  論文  参考訳（メタデータ） (2022-05-02T09:21:39Z)
• Enhancing Cognitive Models of Emotions with Representation Learning [58.2386408470585]
  本稿では,きめ細かな感情の埋め込み表現を生成するための,新しいディープラーニングフレームワークを提案する。 本フレームワークは,コンテキスト型埋め込みエンコーダとマルチヘッド探索モデルを統合する。 本モデルは共感対話データセット上で評価され,32種類の感情を分類する最新結果を示す。
  論文  参考訳（メタデータ） (2021-04-20T16:55:15Z)
• Meta Transfer Learning for Emotion Recognition [42.61707533351803]
  本研究では、ある視覚的/聴覚的感情領域から学習した感情知識を、別の視覚的/聴覚的感情領域に伝達できるPathNetに基づく伝達学習手法を提案する。 提案システムは感情認識の性能を向上し,最近提案された微調整/事前学習モデルに基づく伝達学習手法よりも性能が大幅に向上する。
  論文  参考訳（メタデータ） (2020-06-23T00:25:28Z)
• Emotion Recognition From Gait Analyses: Current Research and Future Directions [48.93172413752614]
  歩行はウォーカーの感情に関する情報を伝える 様々な感情と歩行パターンのマッピングは、感情の自動認識のための新しい情報源を提供する。 歩行は遠隔観察可能で 模倣が困難で 被験者との協力も少ない
  論文  参考訳（メタデータ） (2020-03-13T08:22:33Z)

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。