論文の概要: Neural Motion Blending Across Arbitrary Character Topologies

• arxiv url: http://arxiv.org/abs/2607.10370v1
• Date: Sat, 11 Jul 2026 15:46:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.404969
• Title: Neural Motion Blending Across Arbitrary Character Topologies
• Title（参考訳）: 任意文字トポロジを横切る神経運動
• Abstract要約: 異種骨格間での運動ブレンディングのための新しい枠組みを提案する。 提案アーキテクチャは,移動状態のフレームごとの潜在表現を抽出するセマンティックエンコーダと拡散に基づくデコーダを組み合わせたものである。 我々は、同じ骨格トポロジーと異なる骨格トポロジーで定義された動きを用いてTruebones Zooデータセットの手法を訓練し、評価する。
• 参考スコア（独自算出の注目度）: 7.503125656408304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motion blending in character animation enables the synthesis of new motions by interpolating between existing examples. Current methods are typically restricted to fixed skeleton topologies, requiring identical or near-identical skeletal structures across characters. We present a novel framework for motion blending across heterogeneous skeletons. The proposed architecture combines a semantic encoder, which extracts per-frame latent representations of the motion state, with a diffusion-based decoder, which reconstructs character-specific motion conditioned on this latent code. At inference, blended motions are obtained by interpolating the latent representations of two input motions. We train and evaluate the method on the Truebones Zoo dataset using motions defined on both same and distinct skeleton topologies, demonstrating the ability to achieve smooth and plausible blending in a variety of scenarios.
• Abstract（参考訳）: キャラクターアニメーションにおける動きブレンディングは、既存の例を補間することによって、新しい動きの合成を可能にする。 現在の方法は通常固定された骨格のトポロジーに制限され、文字をまたいだ同一またはほぼ同一の骨格構造を必要とする。 異種骨格間での運動ブレンディングのための新しい枠組みを提案する。 提案アーキテクチャは,フレームごとのラテント表現を抽出するセマンティックエンコーダと,このラテント符号で条件付けられた文字固有動作を再構成する拡散型デコーダを組み合わせる。 2つの入力運動の潜在表現を補間することにより、混合運動を得る。 我々は,同じ骨格トポロジーと異なる骨格トポロジーで定義された動きを用いてTruebones Zooデータセットの手法を訓練し,評価し,様々なシナリオでスムーズかつ妥当なブレンディングを実現する能力を示す。

関連論文リスト

• MotionDreamer: Universal Skeletal Motion Generation for 3D Rigged Shapes [52.45449797329548]
  MotionDreamerは、2Dビデオガイダンスからカテゴリに依存しない骨格アニメーションを生成するための拡散ベースのフレームワークである。 本研究では,2次元視覚運動キューとヘテロジニアスな3次元骨格構造とのギャップを埋める構造的意味注入機構を提案する。 提案手法は既存の手法を著しく上回り、堅牢で効率的な4Dアセット生成のための最先端のベンチマークを新たに設定する。
  論文  参考訳（メタデータ） (2026-06-01T00:42:31Z)
• Training-free Motion Factorization for Compositional Video Generation [57.819757612370374]
  複雑な動きを3つの主要カテゴリに分解する運動因子化フレームワークを提案する。 本フレームワークは,実世界のベンチマークにおいて,動作合成における印象的な性能を実現する。
  論文  参考訳（メタデータ） (2026-03-10T02:27:48Z)
• AnyTop: Character Animation Diffusion with Any Topology [54.07731933876742]
  我々は,異なる動きダイナミクスを持つ多種多様な文字に対する動きを生成する拡散モデルであるAnyTopを紹介する。 我々の研究は、任意の骨格学習に適したトランスフォーマーベースの認知ネットワークを特徴としている。 我々の評価では、AnyTopsはトポロジー当たりのトレーニング例が3つも少なく、見えない骨格の運動も生成できる。
  論文  参考訳（メタデータ） (2025-02-24T17:00:36Z)
• Generative Motion Stylization of Cross-structure Characters within Canonical Motion Space [28.628241993271647]
  本研究では,多種多様かつ多種多様な構造体上での動作に対して,モーションスタイリングパイプライン(MotionS)を提案する。 私たちの重要な洞察は、モーションスタイルをモダリティのラテント空間に埋め込むことで、標準モーション空間内でのモーションスタイリングを可能にします。
  論文  参考訳（メタデータ） (2024-03-18T04:41:59Z)
• MoDi: Unconditional Motion Synthesis from Diverse Data [51.676055380546494]
  多様な動きを合成する無条件生成モデルであるMoDiを提案する。 我々のモデルは、多様な、構造化されていない、ラベルなしのモーションデータセットから完全に教師なしの設定で訓練されている。 データセットに構造が欠けているにもかかわらず、潜在空間は意味的にクラスタ化可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-16T09:06:25Z)
• Neural Marionette: Unsupervised Learning of Motion Skeleton and Latent Dynamics from Volumetric Video [5.456297943378056]
  本稿では、動的シーケンスから骨格構造を検出する教師なしアプローチであるNeural Marionetteを提案する。 得られた構造は、4次元の運動列を表す骨格のハンドラベルされた基底真理にさえ匹敵するものであることを実証する。
  論文  参考訳（メタデータ） (2022-02-17T02:44:16Z)
• Hierarchical Style-based Networks for Motion Synthesis [150.226137503563]
  本研究では,特定の目標地点を達成するために,長距離・多種多様・多様な行動を生成する自己指導手法を提案する。 提案手法は,長距離生成タスクを階層的に分解することで人間の動作をモデル化する。 大規模な骨格データから, 提案手法は長距離, 多様な, もっともらしい動きを合成できることを示す。
  論文  参考訳（メタデータ） (2020-08-24T02:11:02Z)
• Skeleton-Aware Networks for Deep Motion Retargeting [83.65593033474384]
  骨格間のデータ駆動動作の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。 我々の手法は、トレーニングセットの運動間の明確なペアリングを必要とせずに、再ターゲティングの仕方を学ぶ。
  論文  参考訳（メタデータ） (2020-05-12T12:51:40Z)

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。