論文の概要: WeLike2Party! In-Context Motion Transfer for Multi-Human Image Animation
- arxiv url: http://arxiv.org/abs/2609.36937v1
- Date: Tue, 29 Sep 2026 07:50:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.293052
- Title: WeLike2Party! In-Context Motion Transfer for Multi-Human Image Animation
- Title（参考訳）: WeLike2Party! マルチHuman画像アニメーションのためのインコンテキストモーショントランスファー
- Abstract要約: 例えば2Partyは、推論時に明示的なポーズやメッシュ抽出をせずに、直接コンテキスト内ビデオコンディショニング上に構築されています。
クロスアイデンティティ・トレーニングを支援するため,14.4Kのクロスアイデンティティ・ビデオ・ペアからなる大規模合成データセットであるMotionTwinを構築した。
MotionTwin-Benchと実世界のビデオの実験では、WeLike2Partyは、被写体レベルの視覚的忠実さ、アイデンティティー・モーション・バインディング、全体的な知覚品質において、最近の最先端の手法よりも優れていた。
- 参考スコア（独自算出の注目度）: 23.2957847178253
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human image animation aims to transfer motion from a driving video to subjects in a reference image. Despite remarkable progress in video generation, achieving high-fidelity animation of multiple interacting subjects remains a challenge. Many existing approaches rely on explicit motion representations such as 2D skeletons or parametric body meshes and struggle to preserve identity-motion binding under inter-person occlusion. To address this limitation, we propose WeLike2Party, a multi-human animation framework built on direct in-context video conditioning without explicit pose or mesh extraction at inference. We further introduce Reference Asymmetric RoPE Conditioning to preserve fine-grained appearance details, and Identity Binding Supervision to associate each reference identity with its intended motion trajectory. To support cross-identity training, we construct MotionTwin, a large-scale synthetic dataset comprising 14.4K cross-identity video pairs with shared subject and camera motions, totaling 84.3 hours of photorealistic video. We additionally present MotionTwin-Bench, a cross-identity benchmark specifically designed to evaluate subject-level visual fidelity and identity-motion binding. Extensive experiments on MotionTwin-Bench and real-world videos demonstrate that WeLike2Party outperforms recent state-of-the-art methods in subject-level visual fidelity, identity-motion binding, and overall perceptual quality, particularly in multi-person interactions with substantial occlusion.
- Abstract（参考訳）: 人間の画像アニメーションは、運転映像から参照画像中の被写体に動きを伝達することを目的としている。
ビデオ生成の著しい進歩にもかかわらず、複数の対話対象の高忠実度アニメーションを実現することは依然として課題である。
既存の多くのアプローチは、2Dスケルトンやパラメトリックボディメッシュのような明示的な動作表現に依存しており、個人間閉塞下でのアイデンティティー・モーション・バインドを維持するのに苦労している。
この制限に対処するために、WeLike2Partyを提案する。WeLike2Partyは、暗黙のポーズや推論時のメッシュ抽出を使わずに、直接コンテキスト内ビデオコンディショニング上に構築されたマルチヒューマンアニメーションフレームワークである。
さらに、細粒度を保たせるために参照非対称RoPE条件を導入し、各参照IDと目的の動作軌跡を関連付けるためのID結合スーパービジョンを提案する。
クロスアイデンティティ・トレーニングを支援するため,14.4Kのクロスアイデンティティ・ビデオ・ペアからなる大規模合成データセットであるMotionTwinを構築した。
また、被験者レベルの視覚的忠実度とアイデンティティ・モーション・バインドを評価するために特別に設計されたクロスアイデンティティ・ベンチマークであるMotionTwin-Benchを提示する。
MotionTwin-Benchと実世界のビデオの大規模な実験により、WeLike2Partyは、主観レベルの視覚的忠実さ、アイデンティティー・モーション・バインド、そして全体的な知覚的品質において、特に実質的な閉塞を伴う多人インタラクションにおいて、最近の最先端の手法よりも優れていることが示された。
関連論文リスト
- Wan-Animate-2: Pushing the Application Boundaries of Character Animation [26.88580952829003]
Wan-Animate-2は、Diffusion Transformerで動画を直接消費するエンドツーエンドのキャラクターアニメーションフレームワークである。
本アーキテクチャは,中間運動抽出器を完全に取り除き,動きの忠実度とアイデンティティの保存性が向上する。
We present Wan-Animate-2-Lite, a efficientvariant that inference latency to real-time thresholds。
論文 参考訳（メタデータ） (2026-08-06T13:13:10Z) - MotionWeaver: Holistic 4D-Anchored Framework for Multi-Humanoid Image Animation [22.502601281241724]
MotionWeaverは、マルチヒューマノイド画像アニメーションのためのエンドツーエンドフレームワークである。
我々は、同一性に依存しない動きを抽出し、対応する文字に明示的に結合する統合された動き表現を導入する。
また,ビデオラテントで映像表現を融合するために,共有4次元空間を構成する包括的4次元アンコールパラダイムを提案する。
論文 参考訳（メタデータ） (2026-02-11T03:03:44Z) - IM-Animation: An Implicit Motion Representation for Identity-decoupled Character Animation [58.297199313494]
インプシット法は、動画から直接動作の意味をキャプチャするが、動作と外観の絡み合いやアイデンティティの漏洩に悩まされる。
本稿では,フレームごとの動作をコンパクトな1次元モーショントークンに圧縮する新しい暗黙の動作表現を提案する。
本手法では,3段階のトレーニング戦略を用いて,トレーニング効率を高め,高い忠実性を確保する。
論文 参考訳（メタデータ） (2026-02-07T11:17:20Z) - X-UniMotion: Animating Human Images with Expressive, Unified and Identity-Agnostic Motion Latents [17.536895865783507]
X-UniMotionは全身の人間の動きを統一的かつ表現的に表現できる潜在性表現である。
提案手法は、1つの画像から4つの非絡み合った潜在トークンのコンパクトな集合への多粒体運動を直接符号化する。
これらの動き潜伏剤は、非常に表現力が高く、同一性に依存しないため、高忠実で詳細な異性間移動を可能にする。
論文 参考訳（メタデータ） (2025-08-12T22:47:20Z) - Learning to Animate Images from A Few Videos to Portray Delicate Human Actions [80.61838364885482]
ビデオ生成モデルは、人間の繊細なアクションを描写するビデオに静的イメージをアニメーション化するのに依然として苦労している。
本稿では,映像をアニメーション化し,微妙な人間の行動を表現するための学習課題について,少数のビデオを用いて検討する。
本研究では、他の動画の動画特徴とフレーム間の対応を利用して、モデルに映像の再構成を強制することで、一般化可能な動きパターンを学習するFLASHを提案する。
論文 参考訳（メタデータ） (2025-03-01T01:09:45Z) - Zero-shot High-fidelity and Pose-controllable Character Animation [89.74818983864832]
イメージ・ツー・ビデオ(I2V)生成は、単一の画像からビデオシーケンスを作成することを目的としている。
既存のアプローチは、キャラクターの外観の不整合と細部保存の貧弱さに悩まされている。
文字アニメーションのための新しいゼロショットI2VフレームワークPoseAnimateを提案する。
論文 参考訳（メタデータ） (2024-04-21T14:43:31Z) - MagicAnimate: Temporally Consistent Human Image Animation using
Diffusion Model [74.84435399451573]
本稿では、特定の動きシーケンスに従って、特定の参照アイデンティティのビデオを生成することを目的とした、人間の画像アニメーションタスクについて検討する。
既存のアニメーションは、通常、フレームウォーピング技術を用いて参照画像を目標運動に向けてアニメーションする。
MagicAnimateは,時間的一貫性の向上,参照画像の忠実な保存,アニメーションの忠実性向上を目的とした,拡散に基づくフレームワークである。
論文 参考訳（メタデータ） (2023-11-27T18:32:31Z)
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。