論文の概要: STyMo: Fast and Controllable Few-Shot Motion Style Transfer
- arxiv url: http://arxiv.org/abs/2609.04500v1
- Date: Thu, 03 Sep 2026 21:38:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.83526
- Title: STyMo: Fast and Controllable Few-Shot Motion Style Transfer
- Title（参考訳）: STyMo:高速かつ制御可能なFew-Shotモーションスタイル転送
- Abstract要約: ほんの数秒のペアデータと列車を1～2分で学習する,数ショットのアプローチであるSTyMoを提案する。
我々は、微妙な感情の変化から誇張されたキャラクターアーチェタイプに至るまで、さまざまな動きスタイルの成果を示す。
- 参考スコア（独自算出の注目度）: 47.346529213969916
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Supporting a wide variety of motion styles is critical for creating diverse virtual characters, but current methods either require large stylized datasets or pre-trained models that cannot generalize beyond their training distribution. We present STyMo, a few-shot approach that learns motion style from only seconds of paired data and trains in one to two minutes. Our key insight is to decompose style into two components: a static component capturing time-invariant posture, and a temporal component capturing frame-wise dynamics. This decomposition yields an interpretable system where posture intensity, temporal exaggeration, and per-body-region style can be adjusted at runtime. Furthermore, the reduction in required training data and computation time structurally permits an iterative authoring workflow. To ensure robustness on arbitrary inputs, we further introduce a stylizability gate that automatically prevents artifacts on out-of-distribution motions. We demonstrate results across diverse motion styles, from subtle emotional variations to exaggerated character archetypes, and release our processed paired dataset to facilitate future research.
- Abstract（参考訳）: 多様な動きスタイルをサポートすることは、多様な仮想文字を作成するために重要であるが、現在の手法では大きなスタイルのデータセットを必要とするか、トレーニング分布を超えて一般化できない事前訓練されたモデルを必要とする。
ほんの数秒のペアデータと列車を1～2分で学習する,数ショットのアプローチであるSTyMoを提案する。
我々の重要な洞察は、スタイルを2つのコンポーネントに分解することである。
この分解により、姿勢強度、時間的誇張、および体当たりのスタイルを実行時に調整できる解釈可能なシステムが得られる。
さらに、必要なトレーニングデータと計算時間の削減は、構造的に反復的なオーサリングワークフローを可能にする。
さらに,任意の入力に対してロバスト性を確保するために,配布外動作のアーティファクトを自動的に防止するスタイリザビリティゲートを導入する。
我々は、微妙な感情の変化から誇張された文字アーキタイプに至るまで、さまざまな動作スタイルの成果を示し、将来の研究を促進するために、処理されたペアデータセットをリリースする。
関連論文リスト
- AStF: Motion Style Transfer via Adaptive Statistics Fusor [58.660938790014455]
本稿では,SDM(Style Distemporalment Module)とHO-SAttn(High-Order Multi-Statistics Attention)を組み合わせた適応統計ファサー(Adaptive Statistics Fusor)を提案する。
実験結果から,より包括的なモデルを提供することで,最先端技術よりも動作スタイルの習熟度が向上することが示唆された。
論文 参考訳（メタデータ） (2025-11-06T08:51:24Z) - 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) - Flow Intelligence: Robust Feature Matching via Temporal Signature Correlation [12.239059174851654]
フローインテリジェンス(Flow Intelligence)は、時間的動きのパターンのみに焦点を当てたパラダイムシフトのアプローチである。
本手法は,連続するフレームにまたがる画素ブロックから動きのシグネチャを抽出し,ビデオ間の時間的動きのシグネチャを抽出する。
外観よりも動きを活用することで、フローインテリジェンスは多様な環境で堅牢でリアルタイムなビデオ特徴マッチングを可能にする。
論文 参考訳（メタデータ） (2025-04-16T10:25:20Z) - Tracktention: Leveraging Point Tracking to Attend Videos Faster and Better [61.381599921020175]
時間的一貫性は、出力が一貫性があり、アーティファクトがないことを保証するために、ビデオ予測において重要である。
時間的注意や3D畳み込みといった伝統的な手法は、重要な物体の動きに苦しむことがある。
本稿では,ポイントトラックを用いた動き情報を明示的に統合する新しいアーキテクチャコンポーネントであるトラックキート・レイヤを提案する。
論文 参考訳（メタデータ） (2025-03-25T17:58:48Z) - AnyMoLe: Any Character Motion In-betweening Leveraging Video Diffusion Models [5.224806515926022]
外部データを持たない任意の文字に対するフレーム間の動きを生成する新しい手法であるAnyMoLeを導入する。
本手法では,文脈理解を高めるために2段階のフレーム生成プロセスを用いる。
論文 参考訳（メタデータ） (2025-03-11T13:28:59Z) - Diffusion-based Human Motion Style Transfer with Semantic Guidance [23.600154466988073]
拡散モデルに基づく数ショットスタイルのトランスファー学習のための新しいフレームワークを提案する。
第1段階では,拡散に基づくテキスト・ツー・モーション・モデルを生成前として事前学習する。
第2段階では、単一スタイルの例に基づいて、事前学習した拡散モデルを数ショットで微調整し、スタイル転送を可能にする。
論文 参考訳（メタデータ） (2024-03-20T05:52:11Z) - D$^2$ST-Adapter: Disentangled-and-Deformable Spatio-Temporal Adapter for Few-shot Action Recognition [64.153799533257]
D$2$ST-Adapterは、空間的特徴と時間的特徴の非絡み合いの符号化を可能にする内部のデュアルパスアーキテクチャで構成されている。
本手法は,時間的ダイナミクスが行動認識に不可欠である難易度シナリオに特に適している。
論文 参考訳（メタデータ） (2023-12-03T15:40:10Z) - RSMT: Real-time Stylized Motion Transition for Characters [15.856276818061891]
実時間ストライズされた動き遷移法(RSMT)を提案する。
本手法は, 一般運動多様体モデルとスタイル運動サンプリング器の2つの重要な独立成分から構成される。
提案手法は, 高速, 高品質, 汎用性, 制御可能であることを証明した。
論文 参考訳（メタデータ） (2023-06-21T01:50:04Z) - Real-time Controllable Motion Transition for Characters [14.88407656218885]
リアルタイムの動作生成はゲームでは普遍的に必要であり、既存のアニメーションパイプラインでは非常に望ましい。
我々のアプローチは、運動多様体と条件遷移という2つの重要な構成要素から構成される。
提案手法は,複数の測定基準の下で測定された高品質な動きを生成できることを示す。
論文 参考訳（メタデータ） (2022-05-05T10:02:54Z) - CharacterGAN: Few-Shot Keypoint Character Animation and Reposing [64.19520387536741]
本稿では,与えられた文字の少数のサンプルに対してのみトレーニング可能な生成モデルである characterGAN を紹介する。
我々のモデルはキーポイント位置に基づいて新しいポーズを生成し、インタラクティブなフィードバックを提供しながらリアルタイムで修正することができる。
提案手法は,近年のベースラインよりも優れており,多様なキャラクタに対してリアルなアニメーションを生成する。
論文 参考訳（メタデータ） (2021-02-05T12:38:15Z) - Learning to Segment Rigid Motions from Two Frames [72.14906744113125]
本研究では, 運動場から独立物体の動きを復元する幾何学的解析により, モジュラーネットワークを提案する。
2つの連続フレームを入力とし、背景のセグメンテーションマスクと複数の剛体移動オブジェクトを予測し、3次元の剛体変換によってパラメータ化する。
本手法はkittiおよびsintelにおける剛体運動セグメンテーションの最先端性能を実現する。
論文 参考訳（メタデータ） (2021-01-11T04:20:30Z)
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。