論文の概要: SuperMotion: Source-Preserving Denoising for Text-Driven Human Motion Editing
- arxiv url: http://arxiv.org/abs/2610.01517v1
- Date: Thu, 01 Oct 2026 11:51:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.099129
- Title: SuperMotion: Source-Preserving Denoising for Text-Driven Human Motion Editing
- Title（参考訳）: SuperMotion: テキスト駆動型ヒューマンモーション編集のためのソース保存Denoising
- Abstract要約: 我々は、ソース保存の各逆ステップでソースを明示的に再利用するtextbfSource-Preserving Denoising framework (SuperMotion)を提案する。
実験の結果、SuperMotionは編集精度を向上し、MotionFixで33.20%のフルプールR@1に達した。
- 参考スコア（独自算出の注目度）: 57.65261356825894
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Text-driven human motion editing aims to realize a requested change while preserving compatible source content. Existing diffusion editors rely largely on learned conditioning for preservation of the unedited part, yet their outputs can lose temporal detail as denoising proceeds. We propose the \textbf{Source-Preserving Denoising framework (SuperMotion)}, which explicitly reuses the source at each reverse step for source preservation. We first align the source motion to the output timeline and predict a preservation gate that controls reuse across frames and feature dimensions. A clean-space source anchor then utilizes the learned preservation gate to blend the predicted clean motion with the aligned source and passes the corrected estimate directly to the sampling posterior. Because the aligned source is a realized motion rather than a regression output, the anchor injects sample-level temporal detail that a reconstruction-trained denoiser tends to smooth away. To learn effective source reuse, we supervise the anchored estimate against the editing target and match its second temporal differences through a temporal high-frequency loss. These objectives require no explicit edit masks. Extensive experiments show that SuperMotion improves editing accuracy, reaching 33.20\% full-pool R@1 on MotionFix, while reducing temporal-detail attenuation and preserving motion dynamics as it realizes the requested changes. Ablations confirm that the learned preservation gate is responsible for the gain and that it reuses the source to retain the unedited content properly.
- Abstract（参考訳）: テキスト駆動型ヒューマンモーション編集は、互換性のあるソースコンテンツを保持しながら、要求された変更を実現することを目的としている。
既存の拡散エディターは未編集部分の保存のために学習条件付けに大きく依存しているが、その出力はデノゲーションの進行とともに時間的詳細を失う可能性がある。
本稿では、ソース保存の各逆ステップでソースを明示的に再利用する、‘textbf{Source-Preserving Denoising framework(SuperMotion)}を提案する。
まず、ソースの動作を出力タイムラインに整列し、フレーム間の再利用と特徴次元を制御する保存ゲートを予測します。
クリーンスペースソースアンカーは、学習された保存ゲートを利用して、予測されたクリーン動作とアライメントされたソースとをブレンドし、補正された推定値をサンプリング後部に直接渡す。
整列源は回帰出力よりも実効運動であるため、アンカーはサンプルレベルの時間的詳細を注入し、復元訓練されたデノイザは滑らかになる傾向がある。
効率的なソース再利用を学習するために、編集対象に対するアンカー推定を監督し、時間的高周波数損失によりその第2の時間差を一致させる。
これらの目的は明示的な編集マスクを必要としない。
大規模な実験により、SuperMotionは編集精度を向上し、MotionFixで33.20\%のフルプールR@1に達した。
アブレーションは、学習した保存ゲートがそのゲインに責任があることを確認し、未編集のコンテンツを適切に保持するためにソースを再利用する。
関連論文リスト
- Mind the RefGAP: Correcting Reference Attention in Diffusion-Based Visual Editing [58.57757750251995]
RefGAPはトレーニング不要の補正であり、前方通過で測定された基準アテンション質量から各層のロジットオフセットの大きさをオンラインで決定する。
7つの拡散ベースの画像/ビデオエディタで、RefGAPはヘッドスワップとフェイススワップにおけるアイデンティティの忠実度を改善する。
論文 参考訳（メタデータ） (2026-09-28T17:44:13Z) - Edit-VAR: Taming Visual Autoregressive Model for Precise Video Editing [5.942585315235058]
テキスト誘導ビデオ編集は、未編集領域の外観と時間的コヒーレンスを維持しながら、ターゲット内容を変更する。
トレーニングベースのアプローチは強力な制御を提供するが、かなりのデータと計算を必要とする。
インバージョンフリーアプローチはトラジェクトリリカバリを回避するが、ソース保存ガイダンスは編集強度を制限し、セマンティックな変更を不完全なものにすることができる。
テキスト誘導ビデオ編集のためのトレーニング不要かつ反転不要な最初のフレームワークであるEdit- VARIについて,事前学習した視覚的自己回帰ビデオモデルを用いて紹介する。
論文 参考訳（メタデータ） (2026-09-18T03:26:19Z) - Spatial Temporal Synergy: Balancing Change and Invariance in Text Driven 3D Human Motion Editing [78.44034844227868]
テキスト駆動型人間の動作編集は、自然言語の指示に従って既存の動作シーケンスを変更することを目的としている。
変化と不変性 (Change and Invariance Motion Editing, CIME) は、変化と不変性を空間的ポーズと時間的リズム次元に包括的に分離する統合フレームワークである。
MotionFixとSTANCE調整データセットの実験は、CIMEがアライメントと構造的忠実さの編集において最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2026-08-17T01:54:44Z) - DuET: Dual Expert Trajectories for Diffusion Image Editing [42.49842620609682]
我々は、ソースイメージの条件付けを一時的に緩和する訓練不要推論手法であるDuETを紹介する。
DuETは命令の関連性、セマンティックな忠実さ、そして様々なモデルやベンチマークにおける知覚品質を継続的に改善する。
論文 参考訳（メタデータ） (2026-06-11T12:58:48Z) - Consistent-Inversion: Reverse Consistency Guidance for Structure-Preserving Visual Editing [41.38183848746174]
Consistent-Inversionは、構造保存ビジュアル編集のためのトレーニング不要の逆整合ガイダンスフレームワークである。
SD3.5プロトコルを統一したプロトコルで、ターゲット・プロンプトアライメントを維持しながら、背景および構造的忠実性を改善する。
論文 参考訳（メタデータ） (2026-06-05T11:00:12Z) - SEDiT: Mask-Free Video Subtitle Erasure via One-step Diffusion Transformer [4.205766319033597]
一段階拡散変換器を用いた一段ビデオ字幕消去手法SEDiTを提案する。
ターゲット字幕の直接消去を可能にするマスクフリー推論手法を提案する。
提案手法は,ワンステップ,チャンクワイドのストリーミング推論により,ネイティブな1440p動画を無限長で効率的に処理できる。
論文 参考訳（メタデータ） (2026-05-14T14:37:54Z) - Edit-Your-Interest: Efficient Video Editing via Feature Most-Similar Propagation [53.05471174430247]
Edit-Your-Interestはテキスト駆動のゼロショットビデオ編集手法である。
フルシーケンス・テンポラル・モデリング手法に比べて計算オーバーヘッドを低減させる。
効率性と視覚的忠実性の両方において最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2025-10-15T01:55:32Z) - Drag Your Noise: Interactive Point-based Editing via Diffusion Semantic Propagation [30.737586652869457]
DragNoiseは、潜在マップを遡ることなく、堅牢で高速な編集を提供する。
U-Netのボトルネック機能は本質的にインタラクティブな編集に理想的な意味豊かな機能を持っている。
DragNoiseは、DragDiffusionと比較して最適化時間を50%以上削減し、優れた制御とセマンティック保持を実現している。
論文 参考訳（メタデータ） (2024-04-01T11:09:40Z) - MotionEditor: Editing Video Motion via Content-Aware Diffusion [96.825431998349]
MotionEditorはビデオモーション編集のための拡散モデルである。
新たなコンテンツ対応モーションアダプタをControlNetに組み込んで、時間的モーション対応をキャプチャする。
論文 参考訳（メタデータ） (2023-11-30T18:59:33Z) - FateZero: Fusing Attentions for Zero-shot Text-based Video Editing [104.27329655124299]
本研究では,FateZeroを提案する。FateZeroは,実世界のビデオに対して,プロンプトごとのトレーニングや使用専用のマスクを使わずに,ゼロショットのテキストベースの編集手法である。
本手法は、ゼロショットテキスト駆動型ビデオスタイルと、訓練されたテキスト・ツー・イメージモデルからローカル属性を編集する機能を示す最初の方法である。
論文 参考訳（メタデータ） (2023-03-16T17:51:13Z)
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。