論文の概要: EquiFusion: Kinematics-Agnostic Human Motion Prediction via Equivariant Latent Diffusion

• arxiv url: http://arxiv.org/abs/2607.10984v1
• Date: Mon, 13 Jul 2026 01:16:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.292703
• Title: EquiFusion: Kinematics-Agnostic Human Motion Prediction via Equivariant Latent Diffusion
• Title（参考訳）: Equifusion: Kinematics-Agnostic Human Motion Prediction by Equivariant Latent Diffusion
• Abstract要約: 既存の3次元動作予測モデルは、ハードコーディングスケルトンキネマティクスによって制約される。 このボトルネックを解決するために、最初のキネマティックスに依存しないモデルであるEquiFusionを紹介します。 この斬新な設計は、キネマティクスへの真のクロスデータセットの一般化を可能にし、新規なゼロショット方向をアンロックする。
• 参考スコア（独自算出の注目度）: 47.7871548614875
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing Stochastic 3D Human Motion Prediction models are fundamentally constrained by hard-coding the skeleton kinematics, severely limiting generalization, preventing cross-dataset training, and requiring complex data retargeting. We introduce EquiFusion, the first kinematics-agnostic model to solve this bottleneck, implementing a latent diffusion model with a permutation equivariant architecture. EquiFusion treats the kinematics' connectivity as an explicit input parameter, ensuring its internal computations are inherently agnostic to joint ordering and graph structure. This novel design enables truly cross-dataset generalization to unseen kinematics and unlocks novel zero-shot directions, such as motion prediction from partial or occluded observations and targeted limb generation. EquiFusion achieves state-of-the-art results on major benchmarks, being up to 75% more compact than previous kinematics-specific methods, while achieving faster training and inference. EquiFusion thus establishes a new, flexible standard for robust human motion prediction. Model and training code are available at https://ceveloper.github.io/publications/equifusion/.
• Abstract（参考訳）: 既存の確率的3次元人体運動予測モデルは、骨格キネマティクスをハードコーディングし、一般化を著しく制限し、データセット間のトレーニングを防止し、複雑なデータ再ターゲティングを必要とすることによって、基本的に制限されている。 本稿では,このボトルネックを解決するための最初のキネマティックス非依存モデルであるEquiFusionを紹介し,置換同変アーキテクチャを用いた潜在拡散モデルを実装する。 EquiFusionは、キネマティクスの接続性を明示的な入力パラメータとして扱い、内部計算が結合順序やグラフ構造に本質的に依存しないことを保証する。 この斬新な設計は、真のクロスデータセットの一般化を可能にし、部分的または隠蔽された観測からの動き予測や、ターゲットとなる手足の生成といった、新しいゼロショット方向を解き放つ。 EquiFusionは、従来のキネマティクス固有の手法よりも最大75%コンパクトで、トレーニングと推論の高速化を実現している。 これにより、EquiFusionは、堅牢な人間の動き予測のための新しいフレキシブルな標準を確立する。 モデルとトレーニングコードはhttps://ceveloper.github.io/publications/equifusion/.comで公開されている。

関連論文リスト

• Towards Agnostic and Holistic Universal Image Segmentation with Bit Diffusion [9.184659875364689]
  本稿では,ユニバーサルイメージセグメンテーションのための拡散型フレームワークを提案する。 位置認識型パレットと2Dグレーのコード注文によって性能が向上することを示す。 提案した改善と大規模事前訓練や迅速な条件付けを組み合わせることで、競争モデルが実現できると考えています。
  論文  参考訳（メタデータ） (2026-01-06T10:07:14Z)
• ARMO: Autoregressive Rigging for Multi-Category Objects [8.030479370619458]
  我々はOmniRigを紹介した。OmniRigは79,499個のメッシュで構成され、詳細なスケルトンとスキン情報を含んでいる。 定義済みの標準ポーズに依存する従来のベンチマークとは異なり、データセットにはさまざまな形状カテゴリ、スタイル、ポーズが採用されています。 本稿では、自己回帰モデルを用いて、関節位置と接続関係を統一的に予測する新しいリギングフレームワークARMOを提案する。
  論文  参考訳（メタデータ） (2025-03-26T15:56:48Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• ETDock: A Novel Equivariant Transformer for Protein-Ligand Docking [36.14826783009814]
  従来のドッキング法は、タンパク質と薬物のドッキングを予測するために、スコアリング機能とディープラーニングに依存している。 本稿では,タンパク質リガンドドッキングポーズ予測のためのトランスフォーマーニューラルネットワークを提案する。 実データを用いた実験結果から,本モデルが最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-12T06:23:12Z)
• CoMusion: Towards Consistent Stochastic Human Motion Prediction via Motion Diffusion [6.862357145175449]
  本稿では,単一段階の終端拡散型HMPフレームワークであるCoMusionを提案する。 CoMusionは、スムーズな将来のポーズ予測性能が空間予測性能を改善するという洞察から着想を得ている。 提案手法はTransformer-GCNモジュール設計と分散スケジューラによって促進され,精度,現実性,一貫した動作を予測する。
  論文  参考訳（メタデータ） (2023-05-21T19:31:56Z)
• Evaluation of Differentially Constrained Motion Models for Graph-Based Trajectory Prediction [1.1947990549568765]
  本研究では,予測課題に対する数値解法と組み合わせた各種動作モデルの性能について検討する。 この研究は、低階積分子モデルのようなより単純なモデルは、正確な予測を達成するために、より複雑な、例えばキネマティックモデルよりも好まれることを示している。
  論文  参考訳（メタデータ） (2023-04-11T10:15:20Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
  異種データセットから学習した後続分布を融合する手法を提案する。 我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
  論文  参考訳（メタデータ） (2020-07-13T03:27:45Z)
• Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
  クープマン理論に関連する新しい物理学に基づく手法が導入された。 本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。 このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
  論文  参考訳（メタデータ） (2020-03-04T18:24:30Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。