論文の概要: Triangular Resampling for Long-Horizon Motion Generation

• arxiv url: http://arxiv.org/abs/2609.34697v2
• Date: Thu, 01 Oct 2026 16:32:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.497351
• Title: Triangular Resampling for Long-Horizon Motion Generation
• Title（参考訳）: 長軸運動生成のための三角形リサンプリング
• Abstract要約: 三角形再サンプリング(Trangular Resampling, TR)は、運動拡散モデルにおける長軸誤差の蓄積を緩和するためのポストトレーニング手法である。 FloodDiffusionの三角形のデノイングスケジュールに基づいて構築されたTRは、地道由来のトレーニングウィンドウとモデル生成の推論状態のミスマッチに対処する。 HumanML3Dテストプロンプトからの120秒動作生成では、TRとTR-DMDは最先端のFID AUCを達成する。
• 参考スコア（独自算出の注目度）: 27.734843468452496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Triangular Resampling (TR), a post-training method for mitigating long-horizon error accumulation in motion diffusion models. Built on FloodDiffusion's triangular denoising schedule, TR addresses the mismatch between ground-truth-derived training windows and model-generated inference states. Replacing only completed motion history leaves this mismatch unresolved in partially denoised states within the active window. TR therefore extends rollout-based training to these states, using ground-truth clamping to limit excessive drift. For each replayed sample, TR draws one denoising threshold, shared across latent positions and replay updates, and replays multi-step triangular denoising without gradient tracking. After each update, states below the threshold are replaced with noise-matched ground truth, while those at or above it retain model predictions. The resulting latent window enters the standard training update. This rollout construction supports both supervised training (TR) and distribution matching (TR-DMD). On 120-second motion generation from HumanML3D test prompts, TR and TR-DMD achieve state-of-the-art FID AUC within their respective non-DMD and DMD comparison groups. Supervised TR reduces FID AUC by 40.9% and FID degradation slope by 55.3% relative to matched post-training without replay.
• Abstract（参考訳）: 運動拡散モデルにおける長軸誤差の蓄積を緩和するための後学習法である三角形再サンプリング(TR)を導入する。 FloodDiffusionの三角形のデノイングスケジュールに基づいて構築されたTRは、地道由来のトレーニングウィンドウとモデル生成の推論状態のミスマッチに対処する。 完了した動作履歴のみをリプレースすると、このミスマッチはアクティブウィンドウ内の部分的に分解された状態に未解決となる。 そのため、TRはこれらの状態へのロールアウトベースのトレーニングを延長し、過剰なドリフトを制限するために接地トルースクランプを使用する。 リプレイされた各サンプルに対して、TRは1つの復調しきい値を描画し、潜伏位置間で共有し、更新し、勾配追跡なしで多段三角形の復調を再生する。 更新後、しきい値以下の状態はノイズマッチングされた基底真理に置き換えられ、その上または上の状態はモデル予測を保持する。 その結果、潜在ウィンドウが標準のトレーニングアップデートに入る。 このロールアウト構造は、教師付きトレーニング(TR)と分散マッチング(TR-DMD)の両方をサポートする。 HumanML3Dテストプロンプトからの120秒動作生成では、TRとTR-DMDはそれぞれの非DMDとDMDの比較グループの中で最先端のFID AUCを達成する。 Supervised TRはFID AUCを40.9%減らし、FID劣化勾配を55.3%減らした。

関連論文リスト

• Latent Reward Registers for Diffusion Preference Alignment [46.49072106092868]
  本稿では,中間雑音の遅延から端末の好みを推定するメカニズムであるLatent Reward Registersを提案する。 この独立した読み出し機構は、発電機の隠された状態や速度場を変えることなく、潜伏した報酬証拠を抽出する。 トレーニングのために、Reward-Gradient On-Policy Distillation (RG-OPD) は、標準的な政策勾配の計算的に高価なロールアウトを回避し、報酬誘導された更新をオンライン軌道に沿って蒸留する。 推論のためには、Reward-Guided Sampling (RGS) はパラメータ更新なしで大小マッチングされた報酬勾配を経由する。
  論文  参考訳（メタデータ） (2026-08-04T17:00:52Z)
• SATB-VR: Training Few-Step Video Restoration Diffusion Model using SNR-Aware Trajectory Blending [55.764018145256216]
  本稿では,補助予測器を介してデノナイジングプロセスを開始する数ステップのパラダイムであるSATB-VRを提案する。 我々は,SATB-VRが,合成,実世界,AIGCベンチマークにおける既存のアプローチに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2026-06-27T01:32:16Z)
• Learned Relay Representations for Forward-Thinking Discrete Diffusion Models [34.17541648016911]
  本稿では,ラウンド間のハードリセットを回避するために,Learned Relay Representations (Relay)を提案する。 Relayは、フォワードパス間で情報を渡し、時間の経過とともに切り捨てられたバックプロパゲーションを通じてトレーニングされる、差別化可能なパートークンチャネルを導入している。 Relayは最先端の拡散言語モデル(DLM)に拡張可能であり、ブロック拡散やKVキャッシングといった技術とシームレスに互換性があることを示す。
  論文  参考訳（メタデータ） (2026-05-21T18:53:22Z)
• Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
  拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。 Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。 Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-03-12T14:36:53Z)
• D3R-Net: Dual-Domain Denoising Reconstruction Network for Robust Industrial Anomaly Detection [0.0]
  非教師付き異常検出(UAD)は、現代の製造において、自動視覚検査の鍵となる要素である。 本稿では、D3R-Netについて紹介する。D3R-Netは、自己教師型「癒し」タスクと周波数認識正規化を結合したデュアルドメイン・デノベーション・コンストラクションフレームワークである。 空間平均二乗誤差に加えて、周波数領域の整合性を促進するFast Fourier Transform (FFT) 等級損失を用いる。
  論文  参考訳（メタデータ） (2026-01-27T23:21:59Z)
• M3DM-NR: RGB-3D Noisy-Resistant Industrial Anomaly Detection via Multimodal Denoising [63.39134873744748]
  既存の産業異常検出手法は主に、原始RGB画像を用いた教師なし学習に重点を置いている。 本稿では,CLIPの強力なマルチモーダル識別機能を利用する新しい耐雑音性M3DM-NRフレームワークを提案する。 M3DM-NRは3D-RGBマルチモーダルノイズ異常検出において最先端の手法より優れていた。
  論文  参考訳（メタデータ） (2024-06-04T12:33:02Z)
• RoHM: Robust Human Motion Reconstruction via Diffusion [58.63706638272891]
  RoHMは、モノクロRGB(-D)ビデオから頑健な3次元人間の動きを復元するためのアプローチである。 ノイズと閉鎖された入力データに条件付けし、一貫した大域座標で完全な可塑性運動を再構成した。 本手法は,テスト時に高速でありながら,定性的かつ定量的に最先端の手法より優れる。
  論文  参考訳（メタデータ） (2024-01-16T18:57:50Z)
• Adaptive Multi-step Refinement Network for Robust Point Cloud Registration [82.64560249066734]
  ポイントクラウド登録は、同じシーンの2つのポイントクラウド間の相対的な厳密な変換を推定する。 本稿では,前ステップからの情報を活用することで,各ステップの登録品質を向上する適応型多段階改良ネットワークを提案する。 本手法は3DMatch/3DLoMatchベンチマークとKITTIベンチマークの両方で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-05T18:59:41Z)
• Consistent Diffusion Models: Mitigating Sampling Drift by Learning to be Consistent [97.64313409741614]
  本稿では, モデルが生成したデータ上での予測が時間とともに一定であることを示す, 両立性特性を強制することを提案する。 CIFAR-10の条件および非条件生成とAFHQとFFHQのベースライン改良について,本研究の新たな訓練目標が得られた。
  論文  参考訳（メタデータ） (2023-02-17T18:45:04Z)
• Bayesian Robust Tensor Ring Model for Incomplete Multiway Data [7.765112574724006]
  低ランクテンソル補完は、観測データから欠落したエントリを復元することを目的としている。 本稿では,RTC問題に対するロバストテンソルリング(BRTR)分解法を提案する。 実験により、BRTRは回復性能が向上し、他の最先端手法よりもノイズを除去できることが示された。
  論文  参考訳（メタデータ） (2022-02-27T09:25:24Z)

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。