論文の概要: MixiMotion: One-Step Text-to-Motion Generation via Asymmetric Set Distillation

• arxiv url: http://arxiv.org/abs/2609.23010v1
• Date: Sat, 19 Sep 2026 13:14:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.647289
• Title: MixiMotion: One-Step Text-to-Motion Generation via Asymmetric Set Distillation
• Title（参考訳）: MixiMotion:非対称集合蒸留によるワンステップテキスト・ツー・モーション生成
• Abstract要約: MixiMotionは、オフラインセットの蒸留に基づく厳格なワンステップのテキスト・ツー・モーション生成フレームワークである。 MixiMotionは、複数の教師の動きのオフラインバンクを構築し、教師と学生のサンプルセットをアライメントする。 ViMoGenでは、MixiMotionはセマンティックアライメントスコアが0.835$に達し、評価されたワンステップベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 3.2910551236462204
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Iterative text-to-motion generation delivers high-quality and semantically aligned motions but requires multiple network evaluations, resulting in substantial inference latency. We present \textbf{MixiMotion}, a strict one-step text-to-motion generation framework based on offline set distillation. Instead of distilling a single teacher trajectory for each text prompt, MixiMotion constructs an offline bank of multiple teacher motions and aligns teacher and student sample sets through \textbf{asymmetric bidirectional matching}. The teacher-to-student direction promotes coverage of diverse teacher-supported motions, while the student-to-teacher direction suppresses unsupported generations. We further introduce differentiable decoded-space kinematic supervision to complement normalized representation matching with constraints in the decoded motion space. At inference, MixiMotion generates a complete motion sequence with a single network evaluation, without teacher queries, iterative sampling, or candidate ranking. On ViMoGen, MixiMotion achieves a semantic alignment score of $0.835$, outperforming the evaluated one-step baselines and approaching the $0.858$ score of its 50-step HY-Motion-1.0-Lite teacher. In blinded human evaluation, MixiMotion obtains an overall rating of $4.33$, compared with $4.50$ for the teacher, while outperforming the evaluated one-/few-step baselines. Meanwhile, generation latency is reduced from $829.58$\,ms to $9.30$\,ms, corresponding to an $89.2\times$ speedup. These results demonstrate an effective quality--efficiency trade-off for strict one-step text-to-motion generation.
• Abstract（参考訳）: 反復的なテキスト・トゥ・モーション生成は高品質でセマンティックに整合した動作を提供するが、複数のネットワーク評価を必要とするため、かなりの推論遅延が生じる。 オフラインの集合蒸留に基づく厳密な一段階のテキスト・ツー・モーション生成フレームワークである、textbf{MixiMotion} を提示する。 MixiMotionは、テキストプロンプトごとに単一の教師軌跡を蒸留する代わりに、複数の教師の動きのオフラインバンクを構築し、‘textbf{asymmetric bidirectional matching} を通じて教師と学生のサンプルセットを調整する。 教師から学生への指示は多様な教師支援運動の報道を促進する一方、教師から教師への指示は支持しない世代を抑圧する。 さらに,デコードされた運動空間の制約に適合する正規化表現を補完する,微分可能デコード空間キネマティックインスペクションを導入する。 推論時にMixiMotionは、教師の質問や反復的なサンプリング、候補者のランキングなしで、単一のネットワーク評価を伴う完全なモーションシーケンスを生成する。 ViMoGenでは、MixiMotionはセマンティックアライメントスコアが0.835$に達し、評価されたワンステップベースラインを上回り、50ステップHY-Motion-1.0-Liteの教師の0.858$スコアに近づいた。 視覚障害者の評価では、MixiMotionは教師の4.50ドルに対して総合評価が4.33ドルであり、評価された1/2ステップのベースラインを上回っている。 一方、世代遅延は829.58$\,msから9.30$\,msに減少し、89.2\times$スピードアップに対応する。 これらの結果は、厳格な1ステップのテキスト・ツー・モーション生成のための効果的な品質・効率トレードオフを示す。

関連論文リスト

• Concurrent Image Understanding and Generation: Self-Correcting Coupled Markov Jump Processes [70.61868608402723]
  我々は$textbfSelf-Correcting Coupled Markov Jump Processes (SC-CMJP)を紹介する。 SC-CMJPと組み合わせて、共同マルチモーダルジェネレーションのための新しいトレーニングフリーシングルパスサンプリングであるtextttCO_texttt2textttJump$を紹介する。 トレーニングと評価のために,我々は3つの大規模ジョイントマルチモーダル生成コーパスを作成し,リリースする。
  論文  参考訳（メタデータ） (2026-07-14T18:39:29Z)
• One Student, Many Teachers: Multi-Task On-Policy Distillation via Soft-Prompt Privileged Context [40.91201403670402]
  本研究では,教師が学習可能なソフトプロンプトのみで生徒と異なる方法を提案する。 メソッドは、マージされたコーパスの各例を対応するソフトプロンプトの教師にルーティングすることで、マルチタスク設定に自然に拡張する。 Qwen3-1.7BベースとPhi-4-mini-インストラクタでは、単一タスクの変種が完全な微調整と一致するか、あるいは超える。
  論文  参考訳（メタデータ） (2026-06-30T19:56:05Z)
• Perfect Demo Makes Poor Teacher: Learning Robust Alignment from Critical Motion Segments [53.85970147743299]
  専門家によるデモンストレーションは、ロボット模倣学習における金の標準であると広く考えられている。 しかし、挿入、積み重ね、アライメントなどのきめ細かい操作のために、私たちは直感的な失敗モードを発見しました。 視覚言語モデルとアクションエキスパートをブリッジする,コンパクトな動的特徴であるSTAIRを導入する。
  論文  参考訳（メタデータ） (2026-06-14T04:15:29Z)
• Trajectory as the Teacher: Few-Step Discrete Flow Matching via Energy-Navigated Distillation [8.736935937857192]
  Trajectory-Shaped Discrete Flow Matchingは、ブラインドジャンプをガイドナビゲーションに置き換える。 170M-024言語モデリングでは、8ステップの形状の学生は1,024ステップの教師よりも32%低い難易度を達成する。
  論文  参考訳（メタデータ） (2026-05-08T15:58:22Z)
• Reward-Aware Trajectory Shaping for Few-step Visual Generation [48.211558783057086]
  textbfReward-Aware Trajectory Shaping (RATS) を提案する。 RATSは、追加のテスト時間計算オーバーヘッドを発生させることなく、優先関連知識を高ステップジェネレータから効果的に転送する。 実験により、RATSは数ステップの視覚生成において効率-品質トレードオフを大幅に改善することが示された。
  論文  参考訳（メタデータ） (2026-04-16T11:52:11Z)
• Being Comes from Not-being: Open-vocabulary Text-to-Motion Generation with Wordless Training [178.09150600453205]
  本稿では、ゼロショット学習方式でオフラインのオープン語彙テキスト・トゥ・モーション生成について検討する。 NLPの即時学習にインスパイアされ、マスクされた動きから全動作を再構築する動き生成装置を事前訓練する。 本手法では,入力テキストをマスクした動作に再構成することで,動作生成者の動作を再構築する。
  論文  参考訳（メタデータ） (2022-10-28T06:20:55Z)
• Spatial Ensemble: a Novel Model Smoothing Mechanism for Student-Teacher Framework [39.44523908176695]
  空間アンサンブル(Spatial Ensemble)は、時間移動平均と平行して平滑化する新しいモデルである。 歴史的学生モデルの異なる断片を統一に縫い付け、「空間的アンサンブル」効果をもたらす。 彼らの統合はSpatial-Temporal Smoothingと呼ばれ、学生-教師の学習フレームワークに一般的な(時には重要な)改善をもたらす。
  論文  参考訳（メタデータ） (2021-10-04T08:45:18Z)
• Bag of Instances Aggregation Boosts Self-supervised Learning [122.61914701794296]
  教師なし学習のための簡易かつ効果的な蒸留戦略を提案する。 BINGOと呼ばれる本手法は,教師が学習した関係を学生に伝達することを目的としている。 BINGOは、小規模モデルにおける最先端の新たなパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-07-04T17:33:59Z)

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。