論文の概要: Per-Stroke Temporal Control for Text-to-Motion via Action Units and Action-Detection Guidance
- arxiv url: http://arxiv.org/abs/2607.15717v1
- Date: Fri, 17 Jul 2026 07:54:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.786044
- Title: Per-Stroke Temporal Control for Text-to-Motion via Action Units and Action-Detection Guidance
- Title（参考訳）: アクションユニットとアクション検出誘導によるテキスト・トゥ・モーションのストローク時間制御
- Abstract要約: 我々は、個別ストロークを明示的な条件付け信号にするAU(Action Units)と呼ばれる型付き時間イベントを導入する。
ライトウェイトアダプターを通じて、AUセットにフリーズされたテキスト・ツー・モーションのバックボーンを接地します。
StrokeBenchでは、カウント、順序付け、トラック、コアフレーム配置を指定するプロンプトでストローク単位の制御を計測する。
- 参考スコア（独自算出の注目度）: 12.66060082311286
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Text-to-motion models are competent at the action a prompt names but unreliable at when each stroke lands: four punches alternating left and right rarely return four separable strokes. We introduce typed temporal events called Action Units (AUs) that make the individual stroke -- its body track, action class, time window, and impact timing -- an explicit conditioning signal. We ground a frozen text-to-motion backbone on the AU set through a lightweight gated adapter injecting two streams (per-stroke tokens and a per-frame phase channel), and at inference close residual timing errors with a training-free classifier gradient from a frozen frame-level detector. We measure per-stroke control on StrokeBench, whose prompts specify count, ordering, track, and core-frame placement, paired with an audited stroke corpus. AU grounding markedly raises the rate of correctly placed single strokes over the strongest prior interface, at the best motion quality among text-, interval-, and frame-level baselines. The prompted core frame emerges as a further steerable axis.
- Abstract（参考訳）: テキスト・トゥ・モーション・モデルは、アクションに即発的な名前で能力があるが、各ストロークが着地した時点では信頼できない:4つのパンチが左と右に交互に4つの分離可能なストロークを返すことは滅多にない。
私たちはAU(Action Units)と呼ばれる型付き時間イベントを導入し、個々のストローク -- ボディトラック、アクションクラス、タイムウィンドウ、インパクトタイミング -- を明示的な条件付け信号にします。
我々は、AUに2つのストリーム(ストロークトークンとフレーム単位の位相チャネル)を注入するライトウェイトゲートアダプタを通じて凍結されたテキスト間バックボーンを接地し、凍結フレームレベルの検出器からトレーニング不要な分類器勾配で残差誤差を推定する。
我々はStrokeBenchのストローク単位の制御を計測し、そのプロンプトはカウント、順序付け、トラック、コアフレームの配置を監査されたストロークコーパスと組み合わせて指定する。
AUグラウンディングは、テキスト、インターバル、フレームレベルのベースラインの中で最高の動作品質で、最強のインターフェース上で正しく配置されたシングルストロークの速度を著しく向上させる。
誘導されたコアフレームは、さらに操舵可能な軸として現れる。
関連論文リスト
- Prior-First, Condition-Second: Scalable and Controllable Hand Motion Completion [27.154998447721102]
身体条件付きハンドモーションコンプリートのためのプレファースト・コンプリート・セカンド・フレームワークを提案する。
本研究の枠組みは,身体力学から協調的,運動論的に一貫した手の動きをリアルタイムで生成する。
我々のフレームワークは、エンドツーエンドの条件付きベースラインと比較して、キネマティックな妥当性、堅牢性、および制御性を改善します。
論文 参考訳（メタデータ） (2026-07-07T07:40:13Z) - KV-Control: Parameter-Efficient K/V Injection for Trajectory-Controlled Text-to-Motion [18.297396604431018]
フリーズテキスト・トゥ・モーション・トランスのためのコンパクトなアテンション側制御インタフェースであるKV-Controlを導入する。
KV-Controlは、トラジェクティブコンディショニングを軽量なメモリ検索としてリフレームし、テキスト・トゥ・モーション生成のための小型で正確で透明な制御インターフェースを提供する。
論文 参考訳（メタデータ） (2026-06-04T02:50:20Z) - MultiAct: Text-to-Motion Generation from Composite Text via Tailored Attention Guidance [54.131431576597514]
MultiActは、合成テキスト-モーション合成のための未ペアの推論時間フレームワークである。
提案手法は,未表現のプロンプト成分に付随するクロスアテンションスコアを適応的に増幅することにより,意味的崩壊に対処する。
論文 参考訳（メタデータ） (2026-05-29T07:14:48Z) - EgoAction: Egocentric Action Composition with Reliability-Aware Temporal Fusion for the EPIC-KITCHENS Action Detection Challenge at CVPR 2026 [69.56534058291463]
EgoActionは、統合された分離された検出と融合パイプラインである。
パイプラインはEPICに精細化されたVideoMAE-L機能を使用し、因果時間モデルを用いて名詞と動詞の時間的検出器を分離する。
EgoActionは、エゴセントリックな時間的行動検出のためのコンパクトで再現可能なシステムを提供する。
論文 参考訳（メタデータ） (2026-05-23T10:05:56Z) - Mobile UMI: Cross-View Diffusion Policy with Decoupled Kinematics for Mobile Manipulation [4.311650365696827]
最近の手首搭載インタフェースはテーブルトップデータ収集のコストを下げるが、単一の手首ビューはベースナビゲーションに必要なグローバルなコンテキストを捉えない。
生成ポリシーは数百ミリ秒の推論遅延を導入します。
本稿では,3つのコンポーネント間のギャップに対処するハードウェアフリーなデモフレームワークであるMobile UMIを提案する。
論文 参考訳（メタデータ） (2026-05-20T08:33:53Z) - AnchorRoute: Human Motion Synthesis with Interval-Routed Sparse Contro [18.297396604431018]
スパースアンカーモーション合成フレームワークであるAnchorRouteについて述べる。
アンカーは、世代と洗練の両方のために共有の足場として使用される。
ベンチマーク評価では、AnchorRouteはスパース制御の手法よりも優れている。
論文 参考訳（メタデータ） (2026-05-14T11:36:18Z) - Boosting Point-supervised Temporal Action Localization via Text Refinement and Alignment [66.80402022104074]
本稿では,視覚記述からテキスト特徴を効果的に活用し,意味的に豊かな視覚特徴を補完するテキスト認識・アライメント(TRA)フレームワークを提案する。
これは、PTR(Point-based Text Refinement Module)とPMA(Point-based Multimodal Alignment Module)の2つの新しいモジュールを設計することで実現される。
論文 参考訳（メタデータ） (2026-02-01T14:35:46Z) - SOSControl: Enhancing Human Motion Generation through Saliency-Aware Symbolic Orientation and Timing Control [7.758232764141155]
本稿では,身体部分の向きと動作タイミングを直感的に指定するためのプログラム可能なシンボルフレームワークであるSalient Orientation (SOS)スクリプトを紹介する。
また,SOSControlフレームワークを提案する。このフレームワークは,スパースSOSスクリプトで利用可能な向きのシンボルを,動作生成時にこれらの制約を満たすことを優先的に扱う。
論文 参考訳（メタデータ） (2025-11-14T07:59:13Z) - Improving Weakly Supervised Temporal Action Localization by Exploiting Multi-resolution Information in Temporal Domain [84.73693644211596]
時間領域における多重解像度情報を完全に活用するための2段階の手法を提案する。
第1段階では、外観と動きの流れの両方に基づいて、信頼できる初期フレームレベルの擬似ラベルを生成する。
第2段階では、疑似ラベルを反復的に洗練し、信頼度の高い疑似ラベルを持つ選択されたフレームの集合を用いてニューラルネットワークを訓練する。
論文 参考訳（メタデータ） (2025-06-23T03:20:18Z) - MATE: Motion-Augmented Temporal Consistency for Event-based Point Tracking [58.719310295870024]
本稿では,任意の点を追跡するイベントベースのフレームワークを提案する。
事象の間隔に起因する曖昧さを解決するため、運動誘導モジュールは運動ベクトルを局所的なマッチングプロセスに組み込む。
このメソッドは、任意のポイントベースラインのイベントのみのトラッキングに対して、$Survival_50$メトリックを17.9%改善する。
論文 参考訳（メタデータ） (2024-12-02T09:13:29Z) - SF-Net: Single-Frame Supervision for Temporal Action Localization [60.202516362976645]
単一フレームの監視は、低いアノテーションのオーバーヘッドを維持しながら、追加の時間的アクション信号を導入します。
本研究では,SF-Netと呼ばれる単一フレーム監視システムを提案する。
SF-Netは、セグメントローカライゼーションと単一フレームローカライゼーションの両方の観点から、最先端の弱い教師付き手法を大幅に改善する。
論文 参考訳（メタデータ） (2020-03-15T15:06:01Z)
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。