論文の概要: Motion4Motion: Motion Transfer Across Subjects at Inference

• arxiv url: http://arxiv.org/abs/2607.11644v1
• Date: Mon, 13 Jul 2026 14:58:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.517341
• Title: Motion4Motion: Motion Transfer Across Subjects at Inference
• Title（参考訳）: Motion4Motion: 被写体間における運動伝達
• Abstract要約: 本研究は,多彩なキャラクタのアニメーションに欠かせない,ある映像から別の映像への動画転送について考察する。 本稿では,Motion4Motionというトレーニングフリーの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）: 30.018196626175794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work explores the motion transfer from one video to another, which is crucial in animation for diverse characters. Previously, video motion transfer has been largely explored between human and human-like characters, enabling a lot of applications in digital creation. However, these approaches encounter a main limitation. Specifically, related technical pipelines heavily rely on a predefined human skeleton structure and accordingly require skeleton-conditional model training. On the one hand, these methods are difficult to generalize to diverse characters, such as animals from different species, while preserving their unique motion styles. On the other hand, labeled data in diverse skeletons is limited, which additionally restricts the large-scale training for the task. In this paper, we jump out of the skeleton-based motion transfer framework and propose a training-free motion transfer framework, named Motion4Motion. Motion4Motionmodels the motion flow of the character in a video instead of skeletons, which makes motion transfer across species easier. Extensive experimental results and novel applications show our methods outperform baselines impressively. Project page is available at https://lhchen.top/Motion4Motion.
• Abstract（参考訳）: 本研究は,多彩なキャラクタのアニメーションに欠かせない,ある映像から別の映像への動画転送について考察する。 これまでビデオのモーション転送は、人間と人間のようなキャラクターの間で主に検討され、デジタル創造に多くの応用が可能だった。 しかし、これらのアプローチは大きな制限に直面している。 具体的には、関連する技術パイプラインは、事前に定義された人間の骨格構造に大きく依存しており、それ故に骨格条件モデルトレーニングが必要である。 一方、これらの手法は、異なる種の動物など多様なキャラクターに一般化することは困難であり、その独特の動作様式を保っている。 一方、多様な骨格のラベル付きデータは制限されており、タスクの大規模トレーニングも制限されている。 本稿では,骨格型モーショントランスファーフレームワークから脱却し,Motion4Motionというトレーニングフリーモーショントランスファーフレームワークを提案する。 Motion4Motionは、スケルトンの代わりに動画のキャラクターの動きの流れをモデル化することで、種間の移動を容易にする。 大規模な実験結果と新しい応用により,本手法の精度は著しく向上した。 プロジェクトページはhttps://lhchen.top/Motion4Motion.comで公開されている。

関連論文リスト

• PersonaAnimator: Personalized Motion Transfer from Unconstrained Videos [50.26234617411856]
  PersonaAnimatorは、制約のないビデオから直接パーソナライズされた動きパターンを学習する。 PersonaVidは、ビデオベースのパーソナライズされたモーションデータセットとしては初めてのものだ。 本研究では,物理を意識した運動スタイル正規化機構を提案する。
  論文  参考訳（メタデータ） (2025-08-27T13:52:25Z)
• Motion2Motion: Cross-topology Motion Transfer with Sparse Correspondence [25.60034096772463]
  Motion2Motionは、スケルトン間のアニメーションのためのトレーニング不要のフレームワークである。 類似の骨格とクロス種の骨格移動シナリオの両方において、効率的で信頼性の高い性能を達成する。
  論文  参考訳（メタデータ） (2025-08-18T17:50:31Z)
• Move-in-2D: 2D-Conditioned Human Motion Generation [54.067588636155115]
  そこで我々は,シーンイメージに条件付けされた人間の動作シーケンスを生成する新しい手法であるMove-in-2Dを提案する。 本手法はシーンイメージとテキストプロンプトの両方を入力として受け入れ,シーンに合わせた動作シーケンスを生成する。
  論文  参考訳（メタデータ） (2024-12-17T18:58:07Z)
• Motion Prompting: Controlling Video Generation with Motion Trajectories [57.049252242807874]
  スパースもしくは高密度なビデオ軌跡を条件とした映像生成モデルを訓練する。 ハイレベルなユーザリクエストを,詳細なセミセンスな動作プロンプトに変換する。 我々は、カメラや物体の動き制御、画像との「相互作用」、動画転送、画像編集など、様々な応用を通してアプローチを実証する。
  論文  参考訳（メタデータ） (2024-12-03T18:59:56Z)
• Monkey See, Monkey Do: Harnessing Self-attention in Motion Diffusion for Zero-shot Motion Transfer [55.109778609058154]
  既存の拡散に基づく運動編集法は、事前訓練されたモデルの重みに埋め込まれた前者の深いポテンシャルを見落としている。 動きパターンのキャプチャーと表現における注目要素の役割と相互作用を明らかにする。 我々はこれらの要素を統合して、従者のニュアンス特性を維持しつつ、従者へのリーダ動作の転送を行い、結果としてゼロショット動作の転送を実現した。
  論文  参考訳（メタデータ） (2024-06-10T17:47:14Z)
• MotionCrafter: One-Shot Motion Customization of Diffusion Models [66.44642854791807]
  ワンショットのインスタンス誘導モーションカスタマイズ手法であるMotionCrafterを紹介する。 MotionCrafterは、基準運動をベースモデルの時間成分に注入する並列時空間アーキテクチャを採用している。 トレーニング中、凍結ベースモデルは外見の正規化を提供し、運動から効果的に外見を分離する。
  論文  参考訳（メタデータ） (2023-12-08T16:31:04Z)
• MotionDirector: Motion Customization of Text-to-Video Diffusion Models [24.282240656366714]
  Motion Customizationは、既存のテキストとビデオの拡散モデルを適用して、カスタマイズされたモーションでビデオを生成することを目的としている。 我々は、外見と動きの学習を分離するために、デュアルパスのLoRAsアーキテクチャを持つMotionDirectorを提案する。 また,異なる動画の外観と動きの混合や,カスタマイズされたモーションによる単一画像のアニメーションなど,さまざまなダウンストリームアプリケーションもサポートしている。
  論文  参考訳（メタデータ） (2023-10-12T16:26:18Z)
• Universal Humanoid Motion Representations for Physics-Based Control [71.46142106079292]
  物理学に基づくヒューマノイド制御のための総合的な運動スキルを含む普遍的な運動表現を提案する。 まず、大きな非構造運動データセットから人間の動きをすべて模倣できる動き模倣機を学習する。 次に、模倣者から直接スキルを蒸留することで、動作表現を作成します。
  論文  参考訳（メタデータ） (2023-10-06T20:48:43Z)
• Motion Puzzle: Arbitrary Motion Style Transfer by Body Part [6.206196935093063]
  モーション・パズル(Motion Puzzle)は、いくつかの重要な点において最先端のモーション・スタイル・トランスファー・ネットワークである。 本フレームワークは,異なる身体部位に対する複数のスタイル動作からスタイル特徴を抽出し,対象身体部位に局所的に伝達する。 フラッピングやスタッガーのようなダイナミックな動きによって表現されるスタイルを、以前の作品よりもはるかに良く捉えることができる。
  論文  参考訳（メタデータ） (2022-02-10T19:56:46Z)

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。