論文の概要: Why Cross-Skeleton Retargeting Is Non-Identifiable: Structural Limits of Generative Motion Models

• arxiv url: http://arxiv.org/abs/2609.37297v1
• Date: Tue, 29 Sep 2026 11:36:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.446164
• Title: Why Cross-Skeleton Retargeting Is Non-Identifiable: Structural Limits of Generative Motion Models
• Title（参考訳）: クロス骨格再ターゲティングが不可能な理由:生成運動モデルの構造限界
• Abstract要約: クロススケルトン・モーション・ジェネレーション(英語版)は、ある物体から別の物体へ行動構造と動き意図を運ぶために生成モデルを訓練する。 しかし、正しいアクションを示すターゲットの動きには、トレーニングデータが区別できないという2つの説明がある。 震源条件付き写像は異種運動領域では識別できないことを示す。
• 参考スコア（独自算出の注目度）: 31.706569558635604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-skeleton motion generation trains generative models to carry action structure and motion intention from one body to another. Yet a target motion that shows the right action has two explanations that the training data cannot tell apart: the model transferred the source clip, or it recovered a typical motion for the requested action. We show that this ambiguity is structural rather than incidental: under standard generative objectives, the source-conditioned retargeting map is non-identifiable in sparse heterogeneous motion domains. Unpaired distribution matching yields gauge non-identifiability: the latent spaces of different skeletons can be transformed relative to one another without changing the training evidence, so different source-conditioned maps fit it equally well. Sparse paired supervision admits the complementary failure mode, \emph{conditional-mean degeneration}: when clips are paired only by action, squared-error training converges to an average target motion that ignores the source clip. To make the missing evidence observable, we introduce Source-Instance Fidelity (SIF), a diagnostic that tests whether outputs differ from one another the way their source clips do, with the target skeleton and action held fixed. Under this diagnostic, methods that succeed at the standard action-level test on animal motion data often sit at the source-blind floor, while the methods that rise above it retain only a partial relational signal. Retargeting therefore needs objectives and evaluations that can identify the source-conditioned map it claims to learn. Project page: https://cross-skeleton-retargeting.netlify.app/.
• Abstract（参考訳）: クロススケルトン・モーション・ジェネレーション(英語版)は、ある物体から別の物体へ行動構造と動き意図を運ぶために生成モデルを訓練する。 しかし、適切なアクションを示すターゲット動作には、トレーニングデータが区別できない2つの説明がある。 標準的な生成目的の下では、ソース条件付き再ターゲティングマップはスパースヘテロジニアス運動領域では識別できない。 異なる骨格の潜伏空間は、訓練の証拠を変えることなく互いに相対的に変換できるので、異なるソース条件の写像が等しく適合する。 スパースペアによる監視は、補完的な障害モードである \emph{conditional-mean degeneration} を認める: クリップがアクションによってのみペアリングされた場合、二乗エラートレーニングは、ソースクリップを無視した平均的なターゲットモーションに収束する。 不足するエビデンスを観察できるように、ソース・インスタンス・フィデリティ(SIF)を導入します。これは、ソースクリップの動作と出力が異なるかどうかを、ターゲットのスケルトンとアクションが固定された状態でテストする診断です。 この診断の下では、動物の動きデータに対する標準的な行動レベルテストで成功する手法は、しばしばソース・ブラインド・フロアに置かれるが、上から上昇する手法は部分的リレーショナル信号のみを保持する。 したがって、再ターゲティングには、学習しようとするソース条件付きマップを識別できる目的と評価が必要である。 プロジェクトページ:https://cross-skeleton-retargeting.netlify.app/

関連論文リスト

• ArticulateArena: A Metric for Articulated Kinematics [56.23391152623764]
  ArticulateArenaは、調音のためのチャンファー距離の表現不変である。 これは、それを符号化するパラメータではなく、1-DOF関節の運動を比較する。 ArticulateArena-20Kは19,977個の調音されたオブジェクトからなる新しいスイートで、キネマティクスを検証する。
  論文  参考訳（メタデータ） (2026-09-27T21:19:22Z)
• Intrinsic Structure: Spectral Identifiability for Mechanistic Interpretability [51.56484100374058]
  機械論的解釈可能性プリミティブに対する最初の識別可能性定理を証明した。 スペクトルは、正当性分解ではなく、記述されたエラーバーを持つ識別可能なモデル固有の指紋である。
  論文  参考訳（メタデータ） (2026-08-10T19:42:01Z)
• DiagLoop: A Counterfactual Data Flywheel with Stage-Localized Reinforcement for Diagnostic LLMs [5.241146164724621]
  DiagLoopは、認知された物理的関係や臨床ガイドラインをトレーニングの監督に変換する、反ファクト的なデータフライホイールである。 訓練のみの教師は様々な原因、文脈、観察によって反現実の世界を提案し、一方独立したハイブリッドチェッカーは有効な世界しか認めない。 非終端障害に対しては、境界付き修復プローブが下流のコンピテンスを探索し、その結果の弱点プロファイルがその後のデータ生成を導く。
  論文  参考訳（メタデータ） (2026-08-04T13:49:41Z)
• DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
  新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。 適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。 DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
  論文  参考訳（メタデータ） (2026-06-30T20:57:51Z)
• Why Latent Actions Fail, and How to Prevent It [11.214606199787239]
  ラテントアクションモデル(LAM)は、フレーム・ツー・フレームの変更を圧縮することで、ラベルのないビデオからアクションライクな表現を学習することを目的としている。 ワイヤード・ビデオのフレームは、エージェント自身の状態だけでなく、バックグラウンド・クラッタのような内在的状態も含んでいる。
  論文  参考訳（メタデータ） (2026-05-13T09:54:35Z)
• Departures: Distributional Transport for Single-Cell Perturbation Prediction with Neural Schrödinger Bridges [51.83259180910313]
  遺伝子機能解析における大きなボトルネックは、単細胞データの未成熟の性質である。 我々は、SB(Schrdinger Bridge)を近似して、単セル摂動データに対処する。 本モデルは,異種単一セル応答を効果的に捉え,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-11-17T08:27:13Z)
• Correspondence-free online human motion retargeting [1.7008985510992145]
  本研究では,対象対象と対象対象者の動作とを一致させる,教師なし動作のためのデータ駆動型フレームワークを提案する。 本手法は,震源形状と震源形状の対応を必要とせず,震源運動の異なるフレーム間の時間的対応も必要としない。 これにより、ターゲットの形状を動き中の人間の任意のシーケンスでアニメーションすることができる。
  論文  参考訳（メタデータ） (2023-02-01T16:23:21Z)
• Suspected Object Matters: Rethinking Model's Prediction for One-stage Visual Grounding [93.82542533426766]
  疑似オブジェクト間の対象オブジェクト選択を促進するため,疑似オブジェクト変換機構(SOT)を提案する。 SOTは既存のCNNとTransformerベースのワンステージ視覚グラウンドにシームレスに統合できる。 実験の結果,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-10T06:41:07Z)
• TransMoMo: Invariance-Driven Unsupervised Video Motion Retargeting [107.39743751292028]
  TransMoMoは、ソースビデオ中の人の動きを、ターゲットの別のビデオに現実的に転送することができる。 動き, 構造, ビューアングルを含む3つの要因の不変性を利用する。 本研究では,最先端手法に対する提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2020-03-31T17:49:53Z)

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。