論文の概要: HUMAN-TCI: Hierarchical Multi-Stream Motion-Aware Network with Torso-Centered Interaction for Text-to-Motion Retrieval

• arxiv url: http://arxiv.org/abs/2609.34430v1
• Date: Mon, 28 Sep 2026 06:51:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 20:47:59.68117
• Title: HUMAN-TCI: Hierarchical Multi-Stream Motion-Aware Network with Torso-Centered Interaction for Text-to-Motion Retrieval
• Title（参考訳）: HUMAN-TCI:Torso-Centered Interactionを用いた階層型マルチストリームモーションアウェアネットワークによるテキスト間検索
• Abstract要約: 本稿では,HUMAN-TCIを提案する。 本モデルは,複雑な人間の動作パターンを効果的に認識し,微粒な動き関係を捉え,複雑な多行動記述を処理する。 我々のフレームワークは、単純な、単一アクション文と、逐次的または重なり合うアクションを含む長い、構成的な記述の両方の検索をサポートする。
• 参考スコア（独自算出の注目度）: 17.61138886183024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate retrieval of human motions is a crucial first step in text-guided human motion modeling and synthesis, as it selects semantically relevant sequences from large datasets and provides grounded references for downstream tasks. Retrieving motions from natural language descriptions remains challenging because sentences can describe multiple actions, overlapping movements, and intricate dependencies between body parts. Existing methods often focus on simple, single-action descriptions and typically process body parts independently or by merely concatenating features, without explicitly modeling how torso movements influence other parts. In addition, their processing pipelines often rely on computationally heavy models, introducing considerable overhead, particularly when modeling longer or more complex motion sequences. This limits learning discriminative motion-pattern representations, reducing retrieval accuracy, interpretability, and efficiency in practical applications. To address these limitations, we propose HUMAN-TCI, a Hierarchical Multi-Stream Motion-Aware Network for text-guided human motion retrieval. HUMAN-TCI employs a three-stream architecture that separately models upper-body, lower-body, and torso motions while explicitly capturing their interactions, allowing torso-related movements to influence the positioning and dynamics of other body parts. By incorporating tailored torso attention, our model effectively recognizes complex human motion patterns, captures fine-grained motion relationships and handles complex multi-action descriptions. Our framework supports retrieval for both simple, single-action sentences and long, compositional descriptions containing sequential or overlapping actions without relying on complex models.
• Abstract（参考訳）: 人間の動作の正確な検索は、大規模なデータセットから意味論的に関連づけられたシーケンスを選択し、下流タスクに対する接地された参照を提供するため、テキスト誘導された人間の動作モデリングと合成における重要な第一歩である。 自然言語記述からの動作の検索は、文が複数の動作、重なり合う動き、身体部分間の複雑な依存関係を記述できるため、依然として困難である。 既存の方法は、単純な単一アクションの記述に焦点を合わせ、通常、胴体の動きが他の部分にどのように影響するかを明示的にモデル化することなく、独立に、または単に特徴を結合することによって、身体の部分を処理する。 さらに、その処理パイプラインは計算的に重いモデルに依存しており、特により長いまたはより複雑なモーションシーケンスをモデル化する場合にかなりのオーバーヘッドが生じる。 これにより、識別的動作パターンの表現の学習が制限され、実用的な応用における精度、解釈可能性、効率性が低下する。 これらの制約に対処するため,テキスト誘導型人間動作検索のための階層型マルチストリーム動作認識ネットワークであるHUMAN-TCIを提案する。 HUMAN-TCIは、上半身、下半身、胴体の動きを別々にモデル化し、その相互作用を明示的に捉え、胴体関連運動が他の身体部位の位置や運動に影響を与えるようにする3ストリームアーキテクチャを採用している。 このモデルでは, 複雑な人間の動作パターンを効果的に認識し, 微粒な動き関係を捉え, 複雑な多行動記述を扱う。 我々のフレームワークは、複雑なモデルに頼ることなく、単純かつ単行文と逐次的または重複的なアクションを含む長い合成記述の両方の検索をサポートする。

関連論文リスト

• Beyond MoCap: Scaling Motion Tokenizers with Synthetic Human Motion for Generative Modeling [32.83313595986613]
  本研究では,大規模合成人間の動きを利用して,動きの表現空間を拡大する枠組みを提案する。 狭義のデータ分布で訓練された従来のトークン化ツールとは異なり,本手法はトレーニング分布と離散コードブックの両方を共同でスケールする。 合成運動を用いた学習が学習運動語彙のカバレッジと構成性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2026-06-25T20:50:31Z)
• MultiAct: Text-to-Motion Generation from Composite Text via Tailored Attention Guidance [54.131431576597514]
  MultiActは、合成テキスト-モーション合成のための未ペアの推論時間フレームワークである。 提案手法は,未表現のプロンプト成分に付随するクロスアテンションスコアを適応的に増幅することにより,意味的崩壊に対処する。
  論文  参考訳（メタデータ） (2026-05-29T07:14:48Z)
• Motion-Adapter: A Diffusion Model Adapter for Text-to-Motion Generation of Compound Actions [13.380249866020355]
  本稿では,複合動作の生成において,テキスト間拡散モデルを誘導するプラグイン・アンド・プレイ・モジュールを提案する。 本手法は,多種多様なテキストプロンプトにまたがって,より忠実でコヒーレントな複合動作を連続的に生成する。
  論文  参考訳（メタデータ） (2026-04-17T15:08:17Z)
• MoReact: Generating Reactive Motion from Textual Descriptions [57.642436102978245]
  MoReactは拡散に基づく手法で、グローバルな軌跡と局所的な動きを連続的に引き離すように設計されている。 2人の動作データセットから適応したデータを用いて,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2025-09-28T14:31:41Z)
• MotionVerse: A Unified Multimodal Framework for Motion Comprehension, Generation and Editing [53.98607267063729]
  MotionVerseは、シングルパーソンとマルチパーソンの両方のシナリオで人間の動作を理解し、生成し、編集するフレームワークである。 我々は、連続的な動き列をマルチストリーム離散トークンに変換する残差量子化を伴う動きトークン化器を用いる。 また、残留トークンストリームの符号化を時間的に停滞させる textitDelay Parallel Modeling 戦略も導入する。
  論文  参考訳（メタデータ） (2025-09-28T04:20:56Z)
• A Unified Framework for Motion Reasoning and Generation in Human Interaction [28.736843383405603]
  本稿では,言語と運動の両モードを統合したVersatile Interactive Motion-Languageモデルを提案する。 VIMは、動きとテキストのモダリティの両方を同時に理解し、生成することができる。 我々は,動画像のテキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト・テキスト)、反応生成,動作編集,および動作系列の推論を含む複数の対話的動作関連タスク
  論文  参考訳（メタデータ） (2024-10-08T02:23:53Z)
• TextIM: Part-aware Interactive Motion Synthesis from Text [25.91739105467082]
  TextIMは、TEXT駆動のヒューマンインタラクティブモーションを合成するための新しいフレームワークである。 我々のアプローチは、人間の脳として機能する大きな言語モデルを利用して、相互作用する人間の身体部分を特定する。 トレーニングと評価のために,HUMANML3Dからインタラクティブな動きを慎重に選択し,再ラベルし,特殊なデータセットを開発した。
  論文  参考訳（メタデータ） (2024-08-06T17:08:05Z)
• InterControl: Zero-shot Human Interaction Generation by Controlling Every Joint [67.6297384588837]
  関節間の所望距離を維持するために,新しい制御可能な運動生成手法であるInterControlを導入する。 そこで本研究では,既成の大規模言語モデルを用いて,ヒューマンインタラクションのための結合ペア間の距離を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-11-27T14:32:33Z)

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。