論文の概要: Controlling Motion Transfer in Diffusion Transformers via Attention Heads
- arxiv url: http://arxiv.org/abs/2607.11081v1
- Date: Mon, 13 Jul 2026 04:44:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.330777
- Title: Controlling Motion Transfer in Diffusion Transformers via Attention Heads
- Title（参考訳）: アテンションヘッドを用いた拡散変圧器の運動伝達制御
- Abstract要約: 拡散変換器(DiT)は、高品質で時間的に整合した結果の高度なビデオ生成を行う。
ビデオのDiTを注目度で分析し、動きや空間構造に特有な異なる頭部を識別する。
本稿では,パラメータ更新を必要としない頭部認識型モーショントランスファーフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 34.45051377421395
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion Transformers (DiTs) have advanced video generation with high-quality, temporally coherent results. However, extending them to motion transfer, which requires following reference motion while aligning with a target prompt, remains challenging due to limited understanding of motion and structure representations within DiTs. We analyze video DiTs at the attention-head level and identify distinct heads specialized for motion and spatial structure. Based on this insight, we propose a head-aware controllable motion transfer framework that requires no parameter updates. Our method refines motion cues from motion-specialized heads via semantic correspondence guidance and preserves structure through selective feature injection. This head-level control not only enables accurate motion transfer but also provides an interpretable foundation for controllable video generation with DiTs.
- Abstract（参考訳）: 拡散変換器(DiT)は、高品質で時間的に整合した結果の高度なビデオ生成を行う。
しかし、ターゲットプロンプトと整列しながら参照動作を必要とするモーショントランスファーに拡張することは、DiT内の動きと構造表現の限定的な理解のため、依然として困難である。
ビデオのDiTを注目度で分析し、動きや空間構造に特有な異なる頭部を識別する。
この知見に基づき,パラメータ更新を必要としない頭部認識型モーショントランスファーフレームワークを提案する。
本手法は, 動作特定頭部からの動作手がかりを意味対応指導により洗練し, 選択的特徴注入により構造を保存する。
このヘッドレベル制御は、正確なモーション転送を可能にするだけでなく、DiTによる制御可能なビデオ生成のための解釈可能な基盤を提供する。
関連論文リスト
- QWERTY: Training-Free Motion Control via Query-Warped Video Diffusion Transformers [12.871297586071364]
ビデオ拡散変換器(DiT)は高忠実度かつ時間的に一貫性のあるビデオを生成するが、モーションコントロールは暗黙的に残っている。
ユーザが定義したオブジェクトワープと光フローを介して、DiTのフレキシブルなモーション制御を可能にする、トレーニング不要のフレームワークであるQWERTYを紹介する。
QWERTYは,直近のイメージ・ツー・ビデオDiTにおいて,既存のトレーニング不要アプローチの中で最も効果的な動作制御を実現し,その性能は微調整方式に匹敵する。
論文 参考訳（メタデータ） (2026-07-02T08:25:38Z) - MotionGrounder: Grounded Multi-Object Motion Transfer via Diffusion Transformer [34.080740212072655]
モーション転送は、基準映像から時間的ダイナミクスを転送して、ターゲットキャプションに設定された新しい映像を合成することにより、制御可能な映像生成を可能にする。
動作伝達を多目的制御性で処理するDiTベースのフレームワークであるMotionGrounderを紹介する。
実験の結果,MotionGrounderは定量的,質的,人的評価において,最近のベースラインを一貫して上回っていることがわかった。
論文 参考訳（メタデータ） (2026-04-01T13:06:03Z) - MotionAdapter: Video Motion Transfer via Content-Aware Attention Customization [73.07309070257162]
MotionAdapterは、ロバストでセマンティックに整合したモーション転送を可能にする、コンテンツ対応のモーション転送フレームワークである。
我々の重要な洞察は、効果的な動き伝達は外見から運動を明示的に切り離す必要があることである。
MotionAdapterは自然に複雑なモーション転送とズームのようなモーション編集タスクをサポートする。
論文 参考訳（メタデータ） (2026-01-05T10:01:27Z) - Wan-Move: Motion-controllable Video Generation via Latent Trajectory Guidance [107.25252623824296]
Wan-Moveは、ビデオ生成モデルにモーションコントロールを提供するフレームワークである。
私たちの中核となる考え方は、動画を誘導するためのモーションアウェアを元の状態にすることです。
Wan-Moveは5秒、480pの動画を制作し、Kling 1.5の商用モーションブラシに対抗している。
論文 参考訳（メタデータ） (2025-12-09T16:13:55Z) - MotionShot: Adaptive Motion Transfer across Arbitrary Objects for Text-to-Video Generation [23.051430600796277]
MotionShotは、参照ターゲット対応をきめ細かい方法で解析するためのフレームワークである。
顕著な外観や構造の違いがあっても、物体を横切る動きをコヒーレントに転送することができる。
論文 参考訳（メタデータ） (2025-07-22T07:51:05Z) - Follow-Your-Motion: Video Motion Transfer via Efficient Spatial-Temporal Decoupled Finetuning [50.4776422843776]
Follow-Your-Motionは、効率的な2段階ビデオモーション転送フレームワークである。
本稿では,空間的外観と時間的動き処理のための注意構造を分離する空間的時間的疎結合LoRAを提案する。
第2のトレーニング段階では、調整速度を高速化するためにスパース動作サンプリングと適応RoPEを設計する。
論文 参考訳（メタデータ） (2025-06-05T16:18:32Z) - MotionPro: A Precise Motion Controller for Image-to-Video Generation [108.63100943070592]
我々は、画像間(I2V)生成のための正確なモーションコントローラであるMotionProを提案する。
局所軌道と運動マスクは、微細な運動合成を制御するために用いられる。
WebVid-10MとMC-Benchで行った実験は、MotionProの有効性を実証している。
論文 参考訳（メタデータ） (2025-05-26T17:59:03Z) - Decouple and Track: Benchmarking and Improving Video Diffusion Transformers for Motion Transfer [41.26164688712492]
Diffusion Transformer (DiT) モデルは3Dフルアテンションを使用し、時間的・空間的な情報を明示的に分離しない。
本稿では,動き伝達能力を向上させるためにDiTモデルを適用するDeTを提案する。
提案手法では, 時間次元に沿って円滑なDiT機能を実現するために, 単純で効果的な時間的カーネルを導入する。
また,動作の整合性を高めるために,潜在特徴空間における高密度軌跡に沿った明示的な監督も導入する。
論文 参考訳（メタデータ） (2025-03-21T17:52:05Z) - MotionAgent: Fine-grained Controllable Video Generation via Motion Field Agent [55.15697390165972]
テキスト誘導画像-映像生成のための微粒なモーション制御を実現するMotionAgentを提案する。
キーとなる技術は、テキストプロンプトの動作情報を明示的な運動場に変換するモーション・フィールド・エージェントである。
我々はVBenchのサブセットを構築し、テキストと生成されたビデオの動作情報のアライメントを評価する。
論文 参考訳（メタデータ） (2025-02-05T14:26:07Z) - Spectral Motion Alignment for Video Motion Transfer using Diffusion Models [54.32923808964701]
スペクトル運動アライメント(英: Spectral Motion Alignment、SMA)は、フーリエ変換とウェーブレット変換を用いて運動ベクトルを洗練・整列するフレームワークである。
SMAは周波数領域の正規化を取り入れて動きパターンを学習し、全体フレームのグローバルな動きのダイナミクスの学習を容易にする。
大規模な実験は、様々なビデオカスタマイズフレームワーク間の計算効率と互換性を維持しながら、モーション転送を改善するSMAの有効性を示す。
論文 参考訳（メタデータ） (2024-03-22T14:47:18Z)
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。