論文の概要: VISTA: Video-Injected Stylized Text-to-Animation

• arxiv url: http://arxiv.org/abs/2609.23817v1
• Date: Sun, 20 Sep 2026 19:11:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.003688
• Title: VISTA: Video-Injected Stylized Text-to-Animation
• Title（参考訳）: VISTA:ビデオインジェクトされたスティル化されたテキスト・トゥ・アニメーション
• Abstract要約: VISTAは,テキストプロンプトから構造的コンテンツを参照ビデオから表現的スタイルで融合することにより,スタイリングされた3次元人間の動作を生成するためのフレームワークである。 AMasked自己回帰拡散バックボーンはこの多様体内で動作し、Dual-AdaLN経路を通じてビデオ由来のスタイルを注入する。 制御可能なアニメーション合成のための概念実証として、レンダリングされたモーションキャプチャー参照上でVISTAを検証する。
• 参考スコア（独自算出の注目度）: 9.420569523906083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present VISTA, a two-stage framework for generating stylized 3D human motion by fusing structural content from text prompts with expressive style from reference videos, without requiring jointly paired (text, video, stylized motion) triplets. A Dual-channel Autoencoder first maps motion sequences and video clips into a shared latent manifold. A masked autoregressive diffusion backbone then operates within this manifold, injecting video-derived style through a dedicated late-fusion Dual-AdaLN pathway while preserving text-conditioned content structure. A cross-batch unpaired training protocol with latent cycle consistency enables joint learning across separate semantically rich and stylistically diverse datasets. As a proof-of-concept for controllable animation synthesis, we validate VISTA on rendered motion-capture references: it achieves the highest style recognition accuracy among video-conditioned methods while preserving competitive content alignment, and its decomposed 3-way classifier-free guidance provides independent, user-controllable calibration of the content--style balance at inference time.
• Abstract（参考訳）: VISTAは、テキストプロンプトから構造的コンテンツを参照ビデオから表現的なスタイルで融合することで、テキスト、ビデオ、スタイリングされた動作)三重奏を伴わずに、スタイリングされた3次元動作を生成するための2段階のフレームワークである。 デュアルチャネルオートエンコーダは、まず、モーションシーケンスとビデオクリップを共有潜在多様体にマッピングする。 マスク付き自己回帰拡散バックボーンはこの多様体内で動作し、テキストコンディショニングされたコンテンツ構造を保持しながら、専用のレイトフュージョンDual-AdaLN経路を介してビデオ由来のスタイルを注入する。 遅延サイクル一貫性を備えたクロスバッチ・アンペアトレーニングプロトコルは、セマンティックにリッチでスタイリスティックに多様なデータセットをまたいだ共同学習を可能にする。 制御可能なアニメーション合成のための概念実証として,VISTAをレンダリングされたモーションキャプチャ基準で検証し,競合コンテンツアライメントを保ちながら,ビデオコンディショニング手法間で最高のスタイル認識精度を達成し,その分解された3方向分類器フリーガイダンスにより,推論時のコンテンツスタイルバランスの独立かつユーザ制御可能なキャリブレーションを実現する。

関連論文リスト

• VISTA: Triplet-Supervised Video Style Transfer with Diffusion Transformers [55.10832054417015]
  VISTA-1000は1000のスタイルと、スタイル参照、クリーンビデオ、スタイリングビデオのモーションアラインなトリプレットを備えたデータセットである。 本稿では,高機能なスタイル抽出のための軽量なスタイルアダプタを用いた拡散変換器を用いたインコンテクスト型動画転送フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-17T08:03:53Z)
• FashionChameleon: Towards Real-Time and Interactive Human-Garment Video Customization [35.648761912138795]
  FashionChameleonは、自動回帰ビデオ生成におけるヒューマンガーメントのカスタマイズのためのリアルタイムかつインタラクティブなフレームワークである。 シングルガーメント映像データのみを用いて、動きコヒーレンスを保ちながら、インタラクティブなマルチガーメント映像のカスタマイズを実現する方法について述べる。
  論文  参考訳（メタデータ） (2026-05-15T10:25:06Z)
• Factorized Video Generation: Decoupling Scene Construction and Temporal Synthesis in Text-to-Video Diffusion Models [76.7535001311919]
  State-of-the-the-art Text-to-Video (T2V)拡散モデルは視覚的に印象的な結果を生成することができるが、複雑なシーンを作成したり、論理的時間的指示に従うのに失敗することが多い。 テキスト・ツー・ビデオ・ジェネレーションを3つの特殊ステージに分解することでこれらのタスクを分離するパイプラインであるFVGを紹介した。 提案手法は,T2V CompBench ベンチマークに新たな最先端技術を導入し,VBench2 上でのテストモデルすべてを大幅に改善する。
  論文  参考訳（メタデータ） (2025-12-18T10:10:45Z)
• PickStyle: Video-to-Video Style Transfer with Context-Style Adapters [1.9039773121452204]
  PickStyleはビデオからビデオへの転送フレームワークで、事前訓練されたビデオ拡散バックボーンをスタイルアダプタで強化する。 静止画像とダイナミックビデオのギャップを埋めるために,ペア画像から合成訓練クリップを構築する。 CS-CFGは、スタイルが効果的に転送される間、コンテキストが生成されたビデオに保存されることを保証する。
  論文  参考訳（メタデータ） (2025-10-08T21:02:55Z)
• LatentMan: Generating Consistent Animated Characters using Image Diffusion Models [44.18315132571804]
  テキスト・ツー・イメージ(T2I)拡散モデルに基づいて,アニメキャラクターの一貫した映像を生成するゼロショット手法を提案する。 提案手法は,既存のゼロショットT2V手法より,ピクセルワイドの一貫性とユーザ嗜好の観点からアニメーションキャラクターのビデオ生成に優れる。
  論文  参考訳（メタデータ） (2023-12-12T10:07:37Z)
• InstructVid2Vid: Controllable Video Editing with Natural Language Instructions [97.17047888215284]
  InstructVid2Vidは、人間の言語命令でガイドされたビデオ編集のためのエンドツーエンドの拡散ベースの方法論である。 我々のアプローチは、自然言語ディレクティブによって案内される映像操作を強化し、サンプルごとの微調整や逆変換の必要性を排除します。
  論文  参考訳（メタデータ） (2023-05-21T03:28:13Z)
• Unpaired Motion Style Transfer from Video to Animation [74.15550388701833]
  1つのアニメーションクリップからもう1つのアニメーションクリップへモーションスタイルを転送する一方で、後者のモーションコンテンツを保存することは、キャラクターアニメーションにおいて長年の課題であった。 本稿では,スタイルラベル付き動きの集合から学習する動きスタイル伝達のための新しいデータ駆動フレームワークを提案する。 本フレームワークでは,映像から直接動作スタイルを抽出し,3次元再構成をバイパスし,これらを3次元入力動作に適用することができる。
  論文  参考訳（メタデータ） (2020-05-12T13:21:27Z)

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。