論文の概要: Controllable Exaggeration for Generative Motion Models via Training-Time Adaptation and Inference-Time Guidance
- arxiv url: http://arxiv.org/abs/2610.12316v1
- Date: Thu, 08 Oct 2026 17:00:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:54.198306
- Title: Controllable Exaggeration for Generative Motion Models via Training-Time Adaptation and Inference-Time Guidance
- Title（参考訳）: 学習時間適応と推論時間誘導による生成運動モデルの制御可能なオーバーグラデーション
- Abstract要約: 最近の動き生成モデルは、物理的に可塑性なキャラクターの動きを合成する強力な能力を示している。
より表現力のあるキャラクターの動きを生成するため、現代の動き生成パイプラインに組み込む方法について検討する。
提案手法は,中性参照動作意図と身体的妥当性を保ちながら,より誇張的で表現力のある動作を生成する。
- 参考スコア（独自算出の注目度）: 1.2110331500527989
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recent motion generative models have demonstrated strong capabilities in synthesizing physically plausible character motion, but often overlook established animation principles used by professional animators to ground and design their animation work. Understanding and incorporating these principles into motion generative pipelines is essential for producing motions that serve not only physically grounded applications but also the needs of the character animation community. This enables the creation of characters that not only move in physically plausible ways but also feel alive, expressive, and engaging. To close this gap, we focus on the Exaggeration principle of animation and investigate how it can be incorporated into modern motion generative pipelines to produce more expressive character motions. To this end, we introduce a framework that operates at two stages of existing motion generative pipelines. The first stage introduces exaggeration during training, where we perform supervised fine-tuning of pre-trained text-to-motion models on our curated exaggeration dataset. The second stage operates at inference time, where we: (i) introduce a mathematical formulation of exaggeration based on dynamic movement primitives (DMPs); and (ii) leverage this formulation as an exaggeration guidance signal to guide existing diffusion and flow-matching text-to-motion generation models toward exaggerated motion without additional training. Through qualitative and quantitative evaluations against three strong motion generation models, we show that our methods generate more exaggerated and expressive motions while preserving neutral reference motion intent and physical plausibility.
- Abstract（参考訳）: 最近の動き生成モデルは、物理的にもっともらしいキャラクターの動きを合成する強力な能力を示しているが、プロのアニメーターがアニメーション作品の接地と設計に使用する確立したアニメーション原理を見落としていることが多い。
これらの原理を運動生成パイプラインに理解し、組み込むことは、物理的に基盤付けられたアプリケーションだけでなく、キャラクターアニメーションコミュニティのニーズにも役立てる動きを生み出すのに不可欠である。
これにより、物理的にもっともらしい方法で動くだけでなく、生き生き、表現力、エンゲージメントを感じるキャラクターを作成することができる。
このギャップを埋めるために、アニメーションの誇張原理に注目し、より表現力のあるキャラクターの動きを生成するために、現代の動き生成パイプラインにどのように組み込むことができるかを検討する。
そこで本研究では,既存の動き生成パイプラインの2段階で動作するフレームワークを提案する。
第1段階では、トレーニング中の誇張を導入し、キュレートされた誇張データセット上で、事前訓練されたテキスト間移動モデルの教師付き微調整を行う。
第2段階は推論時に動作します。
一 動的運動プリミティブ(DMP)に基づく誇張の数学的定式化を導入し、
(II)この定式化を誇張誘導信号として活用し、既存の拡散・フローマッチングテキスト・ツー・モーション生成モデルを追加訓練なしで誇張運動へ誘導する。
本研究では,3つの強震動生成モデルに対する定性的・定量的評価により,中立な基準震動意図と物理的妥当性を保ちながら,より誇張・表現的な動きを生成することを示す。
関連論文リスト
- SIFT: Self-Imagination Fine-Tuning for Physically Plausible Motion in Video Diffusion Models [53.82339966194578]
動きの絡み合い(英: Motion entanglement)は、カメラの動きや物体の動きのような独立した動き源の意図しない結合である。
本稿では,自作ビデオから学習できるSIFT(Self-Imagination Fine-Tuning)パラダイムを提案する。
論文 参考訳（メタデータ） (2026-06-26T05:39:40Z) - Re$^2$MoGen: Open-Vocabulary Motion Generation via LLM Reasoning and Physics-Aware Refinement [27.84741874985021]
Re$2$MoGenはReasoning and Refinement Open-vocabulary Motion Generationフレームワークである。
初期動作計画を生成し、強化学習(RL)後トレーニングを通じて身体的可視性を洗練させる。
我々のフレームワークは意味論的に一貫性があり、物理的に妥当な動きを生成し、オープン語彙の動作生成において最先端のパフォーマンスを達成することができる。
論文 参考訳（メタデータ） (2026-04-20T04:59:28Z) - GENMO: A GENeralist Model for Human MOtion [64.16188966024542]
本稿では,1つのフレームワークで動作推定と生成を橋渡しする汎用人体運動モデル GENMO を提案する。
我々の重要な洞察は、出力運動が観測された条件信号を正確に満たさなければならないような制約された動き生成として運動推定を再構成することである。
我々の新しいアーキテクチャは、可変長動きと混合マルチモーダル条件(テキスト、オーディオ、ビデオ)を異なる時間間隔で処理し、柔軟な制御を提供する。
論文 参考訳（メタデータ） (2025-05-02T17:59:55Z) - PRIMAL: Physically Reactive and Interactive Motor Model for Avatar Learning [38.004463823796286]
我々は,対話型アバターの運動系を生成運動モデルとして定式化する。
基礎モデルの最近の進歩に触発されて,我々はPRIMALを提案する。
このモデルを利用して、Unreal Engineでリアルタイムのキャラクターアニメーションシステムを作成します。
論文 参考訳（メタデータ） (2025-03-21T21:27:57Z) - A Self-supervised Motion Representation for Portrait Video Generation [19.56640370303683]
本稿では,コンパクトかつ表現力のある動き表現であるセマンティックラテントモーション(SeMo)を提案する。
提案手法は,高品質な視覚的結果と効率的な推論を両立させる。
我々のアプローチは、現実主義の81%の勝利率を持つ最先端モデルを上回る。
論文 参考訳（メタデータ） (2025-03-13T06:43:21Z) - Motion Prompting: Controlling Video Generation with Motion Trajectories [57.049252242807874]
スパースもしくは高密度なビデオ軌跡を条件とした映像生成モデルを訓練する。
ハイレベルなユーザリクエストを,詳細なセミセンスな動作プロンプトに変換する。
我々は、カメラや物体の動き制御、画像との「相互作用」、動画転送、画像編集など、様々な応用を通してアプローチを実証する。
論文 参考訳（メタデータ） (2024-12-03T18:59:56Z) - Monkey See, Monkey Do: Harnessing Self-attention in Motion Diffusion for Zero-shot Motion Transfer [55.109778609058154]
既存の拡散に基づく運動編集法は、事前訓練されたモデルの重みに埋め込まれた前者の深いポテンシャルを見落としている。
動きパターンのキャプチャーと表現における注目要素の役割と相互作用を明らかにする。
我々はこれらの要素を統合して、従者のニュアンス特性を維持しつつ、従者へのリーダ動作の転送を行い、結果としてゼロショット動作の転送を実現した。
論文 参考訳（メタデータ） (2024-06-10T17:47:14Z) - Universal Humanoid Motion Representations for Physics-Based Control [71.46142106079292]
物理学に基づくヒューマノイド制御のための総合的な運動スキルを含む普遍的な運動表現を提案する。
まず、大きな非構造運動データセットから人間の動きをすべて模倣できる動き模倣機を学習する。
次に、模倣者から直接スキルを蒸留することで、動作表現を作成します。
論文 参考訳（メタデータ） (2023-10-06T20:48:43Z) - MotionDiffuse: Text-Driven Human Motion Generation with Diffusion Model [35.32967411186489]
MotionDiffuseは拡散モデルに基づくテキスト駆動モーション生成フレームワークである。
複雑なデータ分散をモデル化し、鮮やかなモーションシーケンスを生成するのに優れています。
体の部分のきめ細かい指示に反応し、時間経過したテキストプロンプトで任意の長さのモーション合成を行う。
論文 参考訳（メタデータ） (2022-08-31T17:58:54Z)
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。