論文の概要: MotionCoach: Constructing Multimodal Guidance for Video Professional Motion Editing

• arxiv url: http://arxiv.org/abs/2610.12963v1
• Date: Fri, 09 Oct 2026 04:08:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.38291
• Title: MotionCoach: Constructing Multimodal Guidance for Video Professional Motion Editing
• Title（参考訳）: MotionCoach:ビデオプロのモーション編集のためのマルチモーダルガイダンスの構築
• Abstract要約: 本稿では,微粒な動作技術と時間構造を含むプロの動作編集に焦点を当てた。 既存のモデルは、ストップピー命令の下で前輪を誤って持ち上げるなど、プロの動作を起こさないことが多い。 我々は、マルチターンツールを使用して自己検証を行う訓練されたマルチモーダルエージェントであるMotionCoachを紹介する。
• 参考スコア（独自算出の注目度）: 11.898636290313233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video editing models achieve strong performance in modifying appearance, backgrounds, styles, and motions, empowered by large-scale training data. Beyond general scenarios, professional motions are significant in performance, sports, and martial arts. This paper focuses on professional motion editing, which involves fine-grained motion technique and temporal structure. Given professional motion names but lacking detailed descriptions, existing models often fail to generate professional motions, such as incorrectly lifting the front wheel under a Stoppie instruction. To address this challenge, we introduce MotionCoach, a trained multimodal agent that uses multi-turn tools and performs self-verification, producing a grounded prompt and a reference clip as reliable and sufficient multimodal guidance to inject external professional motion knowledge into video editing models. To supply training data, we build a data pipeline to construct trajectories. We cold-start the agent on MotionCoach-SFT-10k and apply Group Relative Policy Optimization (GRPO) on MotionCoach-RL-2k with rewards on the motion guidance prompt, the motion outcome video, and the format. For evaluation, we introduce VPMEBench, comprising 314 professional motion editing tasks with fine-grained references and annotations. Extensive experiments show that MotionCoach improves the overall score from 55.1 to 65.6 on Seedance 2.0 and from 51.2 to 64.5 on MiniMax-H3. Learning to construct multimodal guidance enables precise professional motion editing without retraining video editing models.
• Abstract（参考訳）: ビデオ編集モデルは、大規模なトレーニングデータによって強化された外観、背景、スタイル、動きを変更する際に強いパフォーマンスを達成する。 一般的なシナリオを超えて、プロの動きはパフォーマンス、スポーツ、武道において重要である。 本稿では,微粒な動作技術と時間構造を含むプロの動作編集に焦点を当てた。 プロの動作名や詳細な説明がないため、既存のモデルでは前輪を誤ってストップピーの指示で持ち上げるなど、プロの動作を起こさない場合が多い。 この課題に対処するために、マルチターンツールを使用し、自己検証を行う訓練されたマルチモーダルエージェントであるMotionCoachを紹介し、ビデオ編集モデルに外部のプロの動き知識を注入するための信頼性と十分なマルチモーダルガイダンスとして、基礎的なプロンプトと参照クリップを生成する。 トレーニングデータを提供するため,トラジェクトリを構築するデータパイプラインを構築した。 我々は、MotionCoach-SFT-10kのエージェントを冷やし、MotionCoach-RL-2kにグループ相対ポリシー最適化(GRPO)を適用し、モーションガイダンスプロンプト、動画、フォーマットに報酬を与える。 評価には314の専門的な動作編集タスクと詳細な参照とアノテーションを含むVPMEBenchを導入する。 大規模な実験の結果、MotionCoachはSeedance 2.0では55.1から65.6に、MiniMax-H3では51.2から64.5に改善した。 マルチモーダルガイダンス構築の学習は、ビデオ編集モデルを再訓練することなく、正確にプロの動きの編集を可能にする。

関連論文リスト

• LaMo: Self-Supervised Latent Motion Priors for Physical Realism in Video Generation [24.8120698643545]
  本稿では,現在の潜時とプロンプトに条件付きフレーム間潜時変化に先立って潜時動作を定式化するLaMoを提案する。 LaMoは既存のビデオ拡散バックボーンとプラグイン・アンド・プレイされており、アーキテクチャやI/Oの変更は不要である。 VideoPhyとVideoPhy2では、LaMoはCogVideoXバックボーンを改善し、外部監視を使用する最近の物理認識ベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-05-22T17:34:42Z)
• ExpertEdit: Learning Skill-Aware Motion Editing from Expert Videos [50.06747687804514]
  ExpertEditは、スキル駆動のモーション編集のためのフレームワークで、未経験のエキスパートビデオのデモに特化して訓練されている。 ペア化された監督や手作業による手作業による手作業による指導なしに、ローカライズされたスキル改善を実現する。 モーションリアリズムと専門的品質の複数の指標において、最先端の教師付きモーション編集手法より優れています。
  論文  参考訳（メタデータ） (2026-04-12T05:25:33Z)
• PersonaAnimator: Personalized Motion Transfer from Unconstrained Videos [50.26234617411856]
  PersonaAnimatorは、制約のないビデオから直接パーソナライズされた動きパターンを学習する。 PersonaVidは、ビデオベースのパーソナライズされたモーションデータセットとしては初めてのものだ。 本研究では,物理を意識した運動スタイル正規化機構を提案する。
  論文  参考訳（メタデータ） (2025-08-27T13:52:25Z)
• Dynamic Motion Blending for Versatile Motion Editing [26.21012932709007]
  我々は、入力テキストに基づいて身体部分の動きをブレンドすることでトレーニングトレーレットを生成するオンラインデータ拡張技術であるMotionMixCutを紹介する。 我々は、モーションコーディネータを備えた自己回帰拡散モデルであるMotionReFitを提案する。 提案手法は,高レベルの人的指示から直接,空間的および時間的動作の編集を行う。
  論文  参考訳（メタデータ） (2025-03-26T17:07:24Z)
• 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)
• MotionFollower: Editing Video Motion via Lightweight Score-Guided Diffusion [94.66090422753126]
  MotionFollowerは、ビデオモーション編集のための軽量なスコア誘導拡散モデルである。 優れたモーション編集性能を提供し、大きなカメラの動きとアクションのみをサポートする。 最新のモーション編集モデルであるMotionEditorと比較して、MotionFollowerはGPUメモリの約80%の削減を実現している。
  論文  参考訳（メタデータ） (2024-05-30T17:57:30Z)
• MotionDirector: Motion Customization of Text-to-Video Diffusion Models [24.282240656366714]
  Motion Customizationは、既存のテキストとビデオの拡散モデルを適用して、カスタマイズされたモーションでビデオを生成することを目的としている。 我々は、外見と動きの学習を分離するために、デュアルパスのLoRAsアーキテクチャを持つMotionDirectorを提案する。 また,異なる動画の外観と動きの混合や,カスタマイズされたモーションによる単一画像のアニメーションなど,さまざまなダウンストリームアプリケーションもサポートしている。
  論文  参考訳（メタデータ） (2023-10-12T16:26:18Z)

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。