論文の概要: HOIMask: Towards Generative Masked Modeling for Human Object Interaction Generation
- arxiv url: http://arxiv.org/abs/2608.15141v1
- Date: Sat, 15 Aug 2026 09:32:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.208451
- Title: HOIMask: Towards Generative Masked Modeling for Human Object Interaction Generation
- Title（参考訳）: HOIMask:ヒューマンオブジェクトインタラクション生成のための生成的マスケッドモデリングを目指して
- Abstract要約: HOIMaskは、HOIモーションを離散空間でモデル化するための最初の生成マスクフレームワークである。
モーションシーケンスと接触認識信号の両方を、2次元の人間とオブジェクトのトークンマップに符号化する。
本稿では,HOIトークンを最適化するためにコンタクト信号を融合する,個別空間における新規なコンタクト認識再構築ガイダンスを提案する。
- 参考スコア（独自算出の注目度）: 9.000468884843764
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion-based methods have dominated the HOI generation, as they enable critical contact fusions or signals to guide the diffusion process. However, they often result in high artifacts and unstable interaction quality due to error accumulation during iterative denoising. In this work, we propose HOIMask, the first generative masked framework for modeling HOI motion in discrete space. HOIMask first encodes both motion sequences and contact-aware signals into discrete 2D human and object token maps via HOI Vector Quantization (VQ), preserving fine-grained spatial-temporal structure beyond conventional 1D representations. On this basis, a generative masked modeling framework is employed to jointly capture human-object interaction dynamics, leveraging a transformer architecture designed to model complex spatial-temporal and interaction dependencies. To generate more coherent and physically plausible motions, we further introduce a novel contact-aware reconstruction guidance in discrete space during inference, which fuses contact signals to optimize HOI tokens that forces the generated motion with higher spatio-temporal consistency. With craftily designed motion interaction tokens, dedicated architecture and guidance strategy, HOIMask outperforms state-of-the-art diffusion-based methods, generating more realistic and semantically aligned HOI motions. Please refer to https://jyhflash.github.io/HOIMask/ for more results.
- Abstract（参考訳）: 拡散に基づく手法は、重要な接触融合や信号によって拡散過程を導くことができるため、HOI生成を支配している。
しかし、それらはしばしば、反復的妄想中にエラーの蓄積によって、高い成果物と不安定な相互作用品質をもたらす。
本研究では,HOI動作を離散空間でモデル化する最初の生成マスクフレームワークであるHOIMaskを提案する。
HOIMaskはまず、動きシーケンスと接触認識信号の両方をHOIベクトル量子化(VQ)を介して個別の2次元人間およびオブジェクトトークンマップにエンコードし、従来の1次元表現以上の微細な時空間構造を保存する。
そこで, 複雑な空間的・時間的・相互作用的依存関係をモデル化するトランスフォーマーアーキテクチャを活用し, 人・物的相互作用のダイナミクスを共同で捉えるために, 生成マスクモデルフレームワークが採用された。
よりコヒーレントかつ物理的に可視な動作を生成するために、推論中に個別空間に新しい接触認識再構成ガイダンスを導入し、コンタクト信号を融合させて、高時空間一貫性で生成された動きを強制するHOIトークンを最適化する。
巧妙に設計されたモーションインタラクショントークン、専用のアーキテクチャ、ガイダンス戦略により、HOIMaskは最先端の拡散ベースの手法より優れ、より現実的でセマンティックに整合したHOIモーションを生成する。
詳細はhttps://jyhflash.github.io/HOIMask/を参照してください。
関連論文リスト
- Spatiotemporally Decoupled Autoregressive Diffusion Model for Human Motion Generation [19.887078319028102]
動作表現とアーキテクチャを再設計するために,DeMoDiff という統合時間分離フレームワークを提案する。
我々のフレームワークは、最先端の復元性能と魅力的な動き生成結果を達成する。
論文 参考訳（メタデータ） (2026-08-24T14:04:35Z) - DyG$^2$T: Modeling Object Dynamics with 3D Gaussian Temporal-Spatial Particle Graph Transformer [86.4618122245946]
DyG$2$Tは動的モデリングフレームワークで、キーポイント表現を空間的に完了し、時間的に識別することでオブジェクトの運動軌跡を推定する。
合成データセットと実世界のデータセットの両方の実験は、DyG$2$Tが正確な動的モデリングと推論を実現することを示した。
論文 参考訳（メタデータ） (2026-08-19T03:44:28Z) - STAG: Spatio-temporal Evolving Structural Representation of Action Units for Micro-expression Recognition [0.7799711162530713]
微小な表情認識は、微妙で短命な顔面筋運動のために困難である。
既存の手法は頂点オンセットのフレームに大きく依存し、微粒なフレーム間ダイナミクスを見落とし、空間情報と時間情報を別々にモデル化する。
本稿では,動的ROI-AU結合型時空間ネットワークSTAGを提案する。
論文 参考訳（メタデータ） (2026-06-26T13:46:48Z) - HO-Flow: Generalizable Hand-Object Interaction Generation with Latent Flow Matching [113.81911881001905]
HO-Flowはテキストと正準3Dオブジェクトから現実的な手動動作シーケンスを合成するためのフレームワークである。
まず、手動と物体の動きのシーケンスを統一された潜在多様体に符号化するために、相互作用を意識した変分オートエンコーダを用いる。
次に、自己回帰的時間的推論と連続的な潜伏生成を組み合わせたマスク付きフローマッチングモデルを利用する。
論文 参考訳（メタデータ） (2026-04-12T22:06:11Z) - TriC-Motion: Tri-Domain Causal Modeling Grounded Text-to-Motion Generation [61.94780858309546]
Tri-Domain Causal Text-to-Motion Generation (TriC-Motion)は、空間ドメインモデリングと因果介入を統合した新しい拡散ベースのフレームワークである。
TriC-Motionは、HumanML3Dデータセット上で0.612の優れたR@1を達成することによって、最先端の手法よりも優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-02-09T10:12:13Z) - SViMo: Synchronized Diffusion for Video and Motion Generation in Hand-object Interaction Scenarios [48.09735396455107]
ハンドオブジェクトインタラクション(HOI)生成には、大きな応用可能性がある。
現在の3D HOIモーション生成アプローチは、事前に定義された3Dオブジェクトモデルとラボでキャプチャされたモーションデータに大きく依存している。
本稿では,同期拡散プロセス内での視覚的事前制約と動的制約を組み合わせることで,HOIビデオと動きを同時に生成するフレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-03T05:04:29Z) - GestureLSM: Latent Shortcut based Co-Speech Gesture Generation with Spatial-Temporal Modeling [32.47567372398872]
GestureLSM は空間時間モデルを用いた共音声ジェスチャ生成のためのフローマッチングに基づくアプローチである。
BEAT2の最先端性能を実現し、既存の手法と比較して推論時間を著しく短縮する。
論文 参考訳（メタデータ） (2025-01-31T05:34:59Z) - Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。
従来の手法は手作りの機能と機械学習技術に依存している。
HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
論文 参考訳（メタデータ） (2023-08-02T12:04:28Z) - GraMMaR: Ground-aware Motion Model for 3D Human Motion Reconstruction [61.833152949826946]
本研究では,GraMMaRという3次元人体動作再構成のための新しいグラウンド・アウェア・モーション・モデルを提案する。
GraMMaRは、動きシーケンスの各時間ステップにおいて、ポーズにおける遷移の分布と、各関節面と接地面の間の相互作用を学習する。
運動と地面への距離変化との整合性を明確に促進するように訓練されている。
論文 参考訳（メタデータ） (2023-06-29T07:22:20Z) - Guided Motion Diffusion for Controllable Human Motion Synthesis [18.660523853430497]
本稿では,空間的制約を運動生成プロセスに組み込む手法として,誘導運動拡散(GMD)を提案する。
具体的には、空間情報と局所的なポーズの一貫性を高めるために、動きの表現を操作する効果的な特徴投影方式を提案する。
本実験はGMDの開発を正当化し,テキストベースモーション生成における最先端手法を大幅に改善する。
論文 参考訳（メタデータ） (2023-05-21T21:54:31Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳（メタデータ） (2020-03-13T04:35:50Z)
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。