論文の概要: Motion Beyond Morphology: Bootstrapping Cross-Category Motion Transfer from Abstract Motion Representations

• arxiv url: http://arxiv.org/abs/2608.01628v2
• Date: Tue, 04 Aug 2026 03:38:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 13:15:27.426305
• Title: Motion Beyond Morphology: Bootstrapping Cross-Category Motion Transfer from Abstract Motion Representations
• Title（参考訳）: 形態以外の運動:抽象的な動き表現からのクロスカテゴリー運動伝達をブートストラップする
• Authors: Zhixue Fang, Zhimin Zhang, Bi'an Du, Zijie Meng, Yan Zhou, Wei Hu, Guoxin Zhang, Pengfei Wan, Kun Gai,
• Abstract要約: ビデオモーション転送は、参照ビデオから動的にターゲットオブジェクトをアニメーションすることを目的としている。 既存の定式化は主に固定構造対応に依存している。 モーメント・サザン・モルフォロジー(Motion Beyond Morphology)は、固定された構造的対応を超えて運動を伝達しようとする視点である。
• 参考スコア（独自算出の注目度）: 32.70813770106954
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video motion transfer aims to animate a target object using dynamics from a reference video. Existing formulations largely rely on fixed structural correspondence, which becomes ill-defined when reference and target objects differ substantially in morphology, articulation, or deformation mechanisms. We introduce Motion Beyond Morphology, a perspective that seeks to transfer motion beyond fixed structural correspondence, by preserving dynamics that remain meaningful across different target morphologies. To realize this, we propose a two-stage framework. Stage~I learns complementary multi-granularity abstract motion views and uses them to bootstrap cross-category video pairs that preserve transferable dynamics across diverse morphologies. Stage~II internalizes this supervision into direct reference-video-conditioned generation, removing the need for explicit motion extraction at inference. We further introduce OpenVMT-Dataset and OpenVMT-Bench for training and evaluating image- and text-conditioned motion transfer across Same, Near, and Far category gaps. Extensive experiments demonstrate state-of-the-art motion fidelity and target preservation. Project page: https://miniz233.github.io/MotionBeyondMorphology/
• Abstract（参考訳）: ビデオモーション転送は、参照ビデオから動的にターゲットオブジェクトをアニメーションすることを目的としている。 既存の定式化は固定構造対応に大きく依存しており、参照対象と対象対象対象が形態、調音、変形機構で大きく異なるときに不定義となる。 我々は、異なるターゲットモルフォロジーで意味のある力学を保存することによって、固定された構造的対応を超えて運動を伝達しようとする視点であるMotion Beyond Morphologyを紹介する。 これを実現するために,我々は2段階のフレームワークを提案する。 Stage~I learns complementary multi-granularity abstract motion view and using them to bootstrap cross-category video pairs that save transferable dynamics across various morphology。 Stage~IIは、この監督を直接参照ビデオ条件生成に内部化し、推論時の明示的な動き抽出の必要性を取り除く。 さらに,OpenVMT-Dataset と OpenVMT-Bench を導入し,画像・テキスト条件の移動を同種,近種,遠種に分けて学習・評価する。 広範囲にわたる実験は、最先端の運動の忠実さと目標の保存を実証している。 プロジェクトページ: https://miniz233.github.io/MotionBeyondMorphology/

関連論文リスト

• Training-free Motion Factorization for Compositional Video Generation [57.819757612370374]
  複雑な動きを3つの主要カテゴリに分解する運動因子化フレームワークを提案する。 本フレームワークは,実世界のベンチマークにおいて,動作合成における印象的な性能を実現する。
  論文  参考訳（メタデータ） (2026-03-10T02:27:48Z)
• 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)
• DisMo: Disentangled Motion Representations for Open-World Motion Transfer [21.557843791867906]
  DisMoは、生のビデオデータから直接抽象的な動きを表現するための新しいパラダイムである。 私たちの表現は、外見、オブジェクトのアイデンティティ、ポーズといった静的情報とは独立しています。 学習した表現は下流の動作理解タスクに適していることを示す。
  論文  参考訳（メタデータ） (2025-11-28T18:25:54Z)
• 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)
• SynMotion: Semantic-Visual Adaptation for Motion Customized Video Generation [56.90807453045657]
  SynMotion(シンモクション)は、セマンティックガイダンスと視覚適応を併用した動画生成モデルである。 意味レベルでは、主観と動きの表現をアンタングルする二項意味理解機構を導入する。 視覚レベルでは、効率的なモーションアダプタをトレーニング済みのビデオ生成モデルに統合し、動きの忠実度と時間的コヒーレンスを高める。
  論文  参考訳（メタデータ） (2025-06-30T10:09:32Z)
• Animate Your Motion: Turning Still Images into Dynamic Videos [58.63109848837741]
  本稿では,マルチモーダル入力を管理する新しい手法であるScene and Motion Conditional Diffusion (SMCD)を紹介する。 SMCDは、認識されたモーションコンディショニングモジュールを組み込み、シーン条件を統合するための様々なアプローチを調査する。 我々のデザインは映像の品質、動きの精度、セマンティック・コヒーレンスを大幅に向上させる。
  論文  参考訳（メタデータ） (2024-03-15T10:36:24Z)

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。