論文の概要: Physics-Informed Diffusion for Biomechanically Plausible 3D Sign Language Generation
- arxiv url: http://arxiv.org/abs/2607.14836v1
- Date: Thu, 16 Jul 2026 11:01:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:33.080571
- Title: Physics-Informed Diffusion for Biomechanically Plausible 3D Sign Language Generation
- Title（参考訳）: 生体力学的に可塑性な3次元手話生成のための物理インフォームド拡散
- Abstract要約: PIDiffSignはGloss-to-pose変換のための物理インフォームド拡散モデルである。
アーキテクチャとトレーニングの目的の両方に解剖学的制約を組み込む。
実験は、ポーズ精度、関節角の正しさ、分布リアリズム、バックトランスレーション品質において、強い拡散基線に対して一貫した改善を示す。
- 参考スコア（独自算出の注目度）: 7.824804954393769
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sign language production, which generates continuous 3D skeletal motion from spoken language input, must simultaneously satisfy two constraints: semantic fidelity, so that a deaf viewer can recognize the intended sequence of glosses, and biomechanical plausibility, so that the generated skeleton respects anatomical constraints. Existing approaches optimize semantic reconstruction through coordinate-based objectives that treat the skeleton as an unstructured vector, thus allowing for bone length drift, joint angle violations, and temporarily locked fingers. We introduce PIDiffSign, a physics-informed diffusion model for gloss-to-pose translation that incorporates anatomical constraints into both the architecture and training objective. The model uses a Transformer encoder-decoder, where the decoder is conditioned on the diffusion time step through adaptive zero-initialized layer normalization and cross-attends to gloss representations. A differentiable geometry module enforces bone length consistency and biologically valid joint angles throughout generation. Training combines anthropomorphic, kinematic, angular, and finger-joint constraints with a contrastive gloss-pose alignment loss and classifier-free guidance for semantically conditioned sampling. Experiments on the PHOENIX14T and CSL-Daily benchmarks show consistent improvements over a strong diffusion baseline in pose accuracy, joint-angle correctness, distributional realism, and back-translation quality. These results demonstrate that physics-informed diffusion improves both motion realism and semantic fidelity for sign language generation.
- Abstract（参考訳）: 音声言語入力から連続した3次元骨格運動を生成する手話生成は、聴覚障害者が意図したグロースのシーケンスを認識できるように、意味的忠実さと、発生した骨格が解剖学的制約を尊重するように、2つの制約を同時に満たさなければならない。
既存のアプローチでは、骨格を非構造ベクターとして扱う座標に基づく目的を通じて意味再構築を最適化し、骨の長さのドリフト、関節角度の違反、一時的に固定された指を扱えるようにしている。
PIDiffSignは、アーキテクチャと学習目的の両方に解剖学的制約を組み込んだ、光沢間翻訳のための物理インフォームド拡散モデルである。
モデルはTransformerエンコーダ・デコーダを使用し、デコーダは適応的なゼロ初期化層正規化とグロス表現へのクロスアタッチメントによって拡散時間ステップで条件付けされる。
異なる幾何学モジュールは、世代を通して骨の長さの一貫性と生物学的に有効な関節角度を強制する。
トレーニングは、人為的、キネマティック、角的、指関節の制約と対照的な光沢のあるアライメント損失と意味的条件付きサンプリングのための分類子なしガイダンスを組み合わせる。
PHOENIX14TとCSL-Dailyベンチマークの実験では、強い拡散ベースラインに対して、ポーズ精度、結合角の正しさ、分布リアリズム、バックトランスレーション品質が一貫した改善を示した。
これらの結果は,物理インフォームド拡散が手話生成における運動リアリズムと意味的忠実性の両方を改善することを示す。
関連論文リスト
- DeSeG: Decoupling Semantic Intent and Geometric Constraints for Physically Plausible Human-Scene Interaction [50.06148080975928]
本稿では,意味的意図を幾何学的制約から明確に分離する階層型フレームワークであるDeSeGを提案する。
DeSeGは最先端のパフォーマンスを実現し、平均シーン浸透率を47%削減し、SOTAベースラインに対するセマンティックアライメントを29%改善した。
論文 参考訳（メタデータ） (2026-07-07T03:21:08Z) - DeGenseGS: Geometrically and Semantically Decoupled Surgical Scene Understanding in 4D Gaussian Splatting [17.162560675768642]
既存のソリューションは、意味的特徴を幾何学的ワープに強く結合する厳密な結合スキームを通じて、ビジョン・ランゲージ・モデル(Vision-Language Models)を変形可能なフィールドに統合する。
意味的進化と幾何学的変形を独立にモデル化する新しいフレームワークである4D Splattingにおいて,DeGenseGS,Geometric Understandingally and Semantically Decoupled Sceneを提案する。
組織変形やトポロジ的遷移に拘わらず,空間的に連続的なセグメンテーションが可能である。
論文 参考訳（メタデータ） (2026-07-06T07:56:17Z) - PhyScene3D: Physically Consistent Interactive 3D Tabletop Scene Generation [75.9028457575434]
3Dテーブルトップシーンの生成は、インタラクティブでジェネラリスト的なロボット学習の基本的な問題である。
本稿では,PhyScene3Dについて紹介する。
実験により、PhyScene3Dは意味的精度と物理的妥当性の両方において最先端のアプローチより優れていることが示された。
論文 参考訳（メタデータ） (2026-06-01T03:56:32Z) - 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) - LA-Sign: Looped Transformers with Geometry-aware Alignment for Skeleton-based Sign Language Recognition [47.469519895247366]
LA-Signは、手話認識のための幾何学的アライメントを備えたループ変換フレームワークである。
LA-Sign は,個々の層を減らしながら最先端の結果が得られることを示す。
論文 参考訳（メタデータ） (2026-03-30T22:49:42Z) - Retrieval-Augmented Anatomical Guidance for Text-to-CT Generation [1.5532758127091075]
本研究では,現実的な推論環境下で意味情報と解剖情報を統合したテキスト・ツー・CT生成のための検索拡張手法を提案する。
CT-RATEデータセットを用いた実験により,検索拡張生成は,テキストのみのベースラインに比べて画像の忠実度と臨床整合性を向上することが示された。
本研究は,容積医用画像合成における意味的条件付けと解剖学的妥当性を橋渡しする,原則的かつスケーラブルな機構を導入する。
論文 参考訳（メタデータ） (2026-03-09T12:27:17Z) - AffordGrasp: Cross-Modal Diffusion for Affordance-Aware Grasp Synthesis [50.793806818677716]
AffordGraspは、物理的に安定し、セマンティックに忠実な人間の握りを高精度に生成する。
AffordGraspは、手ポーズの空きを意識した潜在表現を二重条件拡散プロセスに統合する。
AffordGraspはHO-3D, OakInk, GRAB, AffordPoseの4つの命令強化ベンチマークで評価した。
論文 参考訳（メタデータ） (2026-03-09T06:56:35Z) - StdGEN++: A Comprehensive System for Semantic-Decomposed 3D Character Generation [57.06461272772509]
StdGEN++は、多種多様な入力から高忠実で意味的に分解された3D文字を生成するための、新しく包括的なシステムである。
最先端の性能を達成し、幾何学的精度と意味的絡み合いにおいて既存の手法を著しく上回っている。
結果として、非破壊的な編集、物理学に準拠したアニメーション、視線追跡など、より進んだ下流の機能をアンロックする。
論文 参考訳（メタデータ） (2026-01-12T15:41:27Z) - ArtiLatent: Realistic Articulated 3D Object Generation via Structured Latents [31.495577251319315]
ArtiLatentは、人間の作った3Dオブジェクトを精密な幾何学、正確な調音、リアルな外観で合成する生成フレームワークである。
論文 参考訳（メタデータ） (2025-10-24T13:08:15Z) - Towards Skeletal and Signer Noise Reduction in Sign Language Production via Quaternion-Based Pose Encoding and Contrastive Learning [7.740338361213371]
本稿では,標準プログレッシブトランスフォーマー(PT)アーキテクチャの2つの拡張を提案する。
まず,四元数空間における骨回転を用いたポーズを符号化し,ジオデシックな損失を生かし,角関節運動の精度と明瞭さを向上させる。
第2に、グロスオーバーラップまたはSBERTベースの文類似性を用いて、意味的類似性による構造デコーダの埋め込みに対照的な損失を導入する。
論文 参考訳（メタデータ） (2025-08-20T09:52:51Z)
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。