論文の概要: MRBench: A Comprehensive Benchmark for Human Motion-Text Retrieval
- arxiv url: http://arxiv.org/abs/2608.07993v1
- Date: Sat, 08 Aug 2026 08:02:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.595988
- Title: MRBench: A Comprehensive Benchmark for Human Motion-Text Retrieval
- Title（参考訳）: MRBench:人間のモーションテキスト検索のための総合ベンチマーク
- Abstract要約: 本稿では,総合的なモーションテキスト検索ベンチマークであるMRBenchを紹介する。
ヘテロジニアスな動き、広範かつバランスの取れたカテゴリーのカバレッジ、信頼性があり、差別的で、多粒質な記述が特徴である。
結果のベンチマークには、モーションキャプチャー、インザワイルドビデオ、合成ビデオ、モーション生成モデルから引き出された3,390のモーションが含まれており、118のきめ細かいカテゴリをカバーしている。
- 参考スコア（独自算出の注目度）: 41.03081402155709
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human motion-text retrieval provides a rigorous means of assessing cross-modal alignment. Prevailing benchmarks are dominated by homogeneous indoor motions, imbalanced motion distributions, and oversimplified, repetitive texts, which hinder the reliable measurement of cross-domain and cross-granularity alignment. We thus introduce MRBench, a comprehensive motion-text retrieval benchmark featuring heterogeneous motions, broad and balanced category coverage, and reliable, discriminative, multi-granular descriptions. MRBench is constructed through a meticulously designed multi-stage data curation pipeline, which filters and balances candidates, verifies unambiguous semantic alignment, and generates motion-grounded descriptions at multiple granularities. The resulting benchmark contains 3,390 motions drawn from motion capture, in-the-wild videos, synthetic videos, and motion generative models, covering 118 fine-grained categories. Each motion is paired with concise, standard, and fine-grained descriptions, yielding 10,170 captions. Extensive evaluations of representative retrieval baselines on MRBench reveal a substantial cross-dataset generalization gap and pronounced sensitivity to query granularity. We propose a lightweight granularity-aware model anchored at a frozen standard-caption-aligned retrieval model. LLM-based concise and fine-grained captions provide pseudo-supervision for extra-branch granularity-specific motion extractors and text adapters. For inference, granularity-aware score fusion integrates global and adapted similarities while strictly maintaining score comparability across all description levels. The resulting model improves mixed-granularity retrieval without compromising standard-caption performance. We believe that our MRBench provides a comprehensive testbed for advancing motion-language alignment evaluation.
- Abstract（参考訳）: 人間のモーションテキスト検索は、クロスモーダルアライメントを評価するための厳密な手段を提供する。
一般的なベンチマークは、均質な室内運動、不均衡な運動分布、過度に単純化された反復テキストによって支配されており、クロスドメインとクロスグラニュラリティアライメントの信頼性を損なう。
MRBenchは不均一な動き、広範かつバランスの取れたカテゴリカバレッジ、信頼性、識別性、多粒度記述を特徴とする総合的な動きテキスト検索ベンチマークである。
MRBenchは、厳密に設計された多段階データキュレーションパイプラインによって構築され、候補をフィルタリングし、バランスをとり、曖昧なセマンティックアライメントを検証し、複数の粒度で動場記述を生成する。
結果のベンチマークには、モーションキャプチャー、インザワイルドビデオ、合成ビデオ、モーション生成モデルから引き出された3,390のモーションが含まれており、118のきめ細かいカテゴリをカバーしている。
各動作は簡潔で標準的できめ細かい記述と組み合わせられ、10,170のキャプションが生成される。
MRBench上での汎用検索ベースラインの広範囲な評価により,データベース間の一般化ギャップが大きく,クエリの粒度に対する感度が顕著であることがわかった。
凍結した標準キャプション整合検索モデルに固定された軽量な粒度認識モデルを提案する。
LLMベースの簡潔できめ細かいキャプションは、細粒度特異的な運動抽出器とテキストアダプターの擬似スーパービジョンを提供する。
推測のために、粒度を意識したスコア融合は、グローバルおよび適応された類似性を統合し、すべての記述レベルにおけるスコアの可視性を厳密に維持する。
結果として得られるモデルは、標準カプセル性能を損なうことなく、混合粒度検索を改善する。
我々のMRBenchは、動き言語アライメント評価を前進させるための総合的なテストベッドを提供すると考えている。
関連論文リスト
- Achieving Text-based Person Retrieval with Any Granularity [80.69427598925718]
本稿では、任意の粒度を持つテキストベースの人物検索という新しいパラダイムを紹介する。
5段階の粒度スペクトルを定式化し,高品質な多粒度アノテートデータセットであるUFine6926-MGを構築した。
次に、クロスモーダルな多重粒度アライニングおよびマッチングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-23T08:42:25Z) - DocRetriever: A Plug-and-Play Framework for Multimodal Document Retrieval with Comprehensive Benchmark [48.84943754804533]
マルチモーダル文書には、テーブル、フィギュア、レイアウトなど、さまざまな要素が含まれている。
現在のアプローチでは、高精度の検索を実現するために、高密度の視覚埋め込みモデルと教師付きリランカを組み合わせるのが一般的である。
本稿では,レイアウトを意識したスパース埋め込み技術による視覚検索を支援するプラグイン・アンド・プレイフレームワークDocRetrieverを提案する。
論文 参考訳（メタデータ） (2026-05-28T14:50:53Z) - MSAVBench: Towards Comprehensive and Reliable Evaluation of Multi-Shot Audio-Video Generation [88.7702943548674]
マルチショットオーディオビデオ生成のための,初の総合的なベンチマークと適応型ハイブリッド評価フレームワークであるMSAVBenchを紹介する。
私たちのベンチマークでは、ビデオ、オーディオ、ショット、参照の4つの重要な領域にまたがっており、多様なタスク設定、最大15のショット数、非現実的なシナリオに挑戦しています。
MSAVBenchは人間の判断と高度に一致し、スピアマンのランク相関は91.5%に達する。
論文 参考訳（メタデータ） (2026-05-19T17:59:33Z) - Motion-Guided Semantic Alignment with Negative Prompts for Zero-Shot Video Action Recognition [12.523217686212197]
本稿では,CLIPを不整合埋め込みと意味誘導相互作用で拡張する新しいフレームワークを提案する。
標準ベンチマークの実験では、我々の手法はCLIPベースのアプローチよりも一貫して優れていた。
論文 参考訳（メタデータ） (2026-04-18T16:34:29Z) - SENSE: Semantic Embedding Navigation with Soft-gated Evaluation for Retrieval-based Speculative Decoding [6.448291801598507]
SD(Speculative Decoding)は、LLM(Large Language Model)推論を高速化する。
RSDはそのプラグ・アンド・プレイの汎用性に好まれるが、そのポテンシャルは厳密な語彙依存によって妨げられる。
SENSEはロバストなセマンティックアライメントを確立し、ソフトゲート評価モジュールにセマンティック等価性を検証する権限を与える。
論文 参考訳（メタデータ） (2026-04-14T04:17:03Z) - Towards Motion-aware Referring Image Segmentation [26.074329533044914]
原文から動き中心のフレーズを抽出する効率的なデータ拡張手法を提案する。
また,融合画像テキスト埋め込みを用いたMRaCL(Multimodal Radial Contrastive Learning)を提案する。
実験により,複数のRISモデルにまたがる動作中心クエリの性能が大幅に向上した。
論文 参考訳（メタデータ） (2026-03-18T06:45:59Z) - Context-Aware Pseudo-Label Scoring for Zero-Shot Video Summarization [6.057968525653529]
本稿では,ルーリック誘導型,擬似ラベル付き,即時駆動型ゼロショットビデオ要約フレームワークを提案する。
人間のアノテーションの小さなサブセットは、高信頼の擬似ラベルに変換される。
推論中、境界シーンはそれぞれの記述に基づいて独立してスコアされる。
論文 参考訳（メタデータ） (2025-10-20T12:54:32Z) - MR$^2$-Bench: Going Beyond Matching to Reasoning in Multimodal Retrieval [86.35779264575154]
マルチモーダル検索は、現代のAIアプリケーションにおいて重要なコンポーネントになりつつあるが、その評価は、より現実的で困難なシナリオの要求に遅れている。
マルチモーダル検索のための推論集約型ベンチマークであるMR$2$-Benchを紹介する。
論文 参考訳（メタデータ） (2025-09-30T15:09:14Z) - SemanticBoost: Elevating Motion Generation with Augmented Textual Cues [73.83255805408126]
我々のフレームワークはセマンティック・エンハンスメント・モジュールとコンテキスト調整型モーション・デノイザ(CAMD)から構成されている。
CAMDアプローチは、高品質でセマンティックに一貫性のあるモーションシーケンスを生成するための全エンコンパスソリューションを提供する。
実験の結果,SemanticBoostは拡散法として自己回帰法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-10-31T09:58:11Z) - ReMoDiffuse: Retrieval-Augmented Motion Diffusion Model [33.64263969970544]
3Dのモーション生成はクリエイティブ産業にとって不可欠だ。
近年の進歩は、テキスト駆動モーション生成のためのドメイン知識を持つ生成モデルに依存している。
本稿では拡散モデルに基づく動き生成フレームワークReMoDiffuseを提案する。
論文 参考訳（メタデータ） (2023-04-03T16:29:00Z)
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。