論文の概要: ELMA: Benchmarking Anaphoric Compositions for Long-Term Text-to-Motion Generation

• arxiv url: http://arxiv.org/abs/2610.13549v1
• Date: Fri, 09 Oct 2026 13:05:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.586894
• Title: ELMA: Benchmarking Anaphoric Compositions for Long-Term Text-to-Motion Generation
• Title（参考訳）: ELMA:長期テキスト・ツー・モーション生成のためのアナフォリック合成のベンチマーク
• Abstract要約: 本稿では,クロスセグメント依存を保存したセグメントレベルのアノテーションを付加した,エピソードな長期動作データセットELMAを提案する。 ELMAは、高品質で連続的な30秒のビデオクリップをWildのビデオから抽出し、長距離状態モデリングに必要なエピソードな物語をキャプチャする。 ELMAは,グローバルな物理リアリズムとセマンティックアライメントの両方において,大幅な改善を可能にすることを示す。
• 参考スコア（独自算出の注目度）: 26.24879628570298
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-guided long-term human motion generation is essential for applications such as continuously operating digital avatars. Despite recent progress on short clips, existing models struggle with multi-segment instructions that involve anaphora, where constraints established in earlier segments must be preserved over time. In this paper, we introduce a novel task of long-term motion generation from such anaphoric compositions. To mitigate this, we present ELMA, an episodic long-term motion dataset with dense segment-level annotations that preserve cross-segment dependencies. Built via a fully automated collection and filtering pipeline, ELMA extracts high-quality, continuous 30-second clips from in-the-wild videos, capturing the episodic narratives necessary for long-range state modeling. Leveraging this dataset, we fine-tune state-of-the-art motion generation models to incorporate long-range context. Extensive experiments reveal fundamental shortcomings in current models when handling context-dependent instructions. We demonstrate that ELMA enables significant improvements in both global physical realism and semantic alignment, setting a robust new baseline for long-term motion synthesis.
• Abstract（参考訳）: デジタルアバターの連続操作などの応用には,テキスト誘導による長期動作生成が不可欠である。 最近のショートクリップの進歩にもかかわらず、既存のモデルはアナフォラを含むマルチセグメント命令に苦しむ。 本稿では,このようなアナフォリックな構成から長期動作を生成する新しい課題について紹介する。 これを軽減するために,クロスセグメント依存を保護したセグメントレベルのアノテーションを具備した,エピソードな長期動作データセットELMAを提案する。 完全に自動化されたコレクションとフィルタリングパイプラインによって構築されたELMAは、高品質で連続的な30秒のビデオクリップをインザワイルドビデオから抽出し、長距離状態モデリングに必要なエピソードな物語をキャプチャする。 このデータセットを活用して、長距離コンテキストを組み込むために、最先端のモーション生成モデルを微調整する。 拡張実験は、文脈に依存した命令を扱う場合の現在のモデルにおける根本的な欠点を明らかにする。 ELMAはグローバルな物理リアリズムとセマンティックアライメントの両方において大幅な改善を実現し、長期動作合成のための堅牢な新しいベースラインを設定できることを実証した。

関連論文リスト

• StructBiHOI: Structured Articulation Modeling for Long--Horizon Bimanual Hand--Object Interaction Generation [30.285126708457174]
  長期計画不安定性, きめ細かな関節明瞭化, 複雑な手動協調により, コヒーレントな双方向生成が困難になる。 長軸2次元HOI生成のための構造化調音モデルであるStructBiHOIを提案する。
  論文  参考訳（メタデータ） (2026-03-09T13:47:06Z)
• FrankenMotion: Part-level Human Motion Generation and Composition [41.84042766842064]
  原子的かつ時間的に認識可能な部分レベルのテキストアノテーションを用いた高品質なモーションデータセットを構築する。 我々のデータセットは、時間分解能で非同期かつ意味的に異なる部分の動きをキャプチャする。 本データセットに基づいて,FrankenMotionという拡散型部分認識モーション生成フレームワークを導入する。
  論文  参考訳（メタデータ） (2026-01-15T23:50:07Z)
• Dense Motion Captioning [23.084589115674586]
  Dense Motion Captioningは、人間の3次元動作シーケンス内の時間的ローカライズとキャプション動作を目的とした、新しいタスクである。 提案するCompMoは,高精度な時間境界を持つリッチアノテートされた複雑な動き列を特徴とする,最初の大規模データセットである。 また,大規模な言語モデルとシンプルなモーションアダプタを統合するモデルであるDEMOを,高密度の時間的接頭辞を生成するために訓練した。
  論文  参考訳（メタデータ） (2025-11-07T15:55:10Z)
• LoViC: Efficient Long Video Generation with Context Compression [68.22069741704158]
  百万単位のオープンドメインビデオに基づいてトレーニングされたDiTベースのフレームワークであるLoViCを紹介する。 当社のアプローチの核心はFlexFormerです。ビデオとテキストを統合された潜在表現に共同で圧縮する表現型オートエンコーダです。
  論文  参考訳（メタデータ） (2025-07-17T09:46:43Z)
• InfLVG: Reinforce Inference-Time Consistent Long Video Generation with GRPO [73.33751812982342]
  InfLVGは、追加のロングフォームビデオデータを必要としないコヒーレントなロングビデオ生成を可能にする推論時フレームワークである。 InfLVGはビデオ長を最大9$times$まで拡張でき、シーン間の一貫性とセマンティック忠実性を実現することができる。
  論文  参考訳（メタデータ） (2025-05-23T07:33:25Z)
• Long-RVOS: A Comprehensive Benchmark for Long-term Referring Video Object Segmentation [51.2732688481343]
  本稿では,長期参照オブジェクトセグメンテーションのための大規模ベンチマークであるLongtextbf-RVOSを紹介する。 Long-RVOSには、平均時間60秒を超える2,000以上のビデオが含まれており、さまざまなオブジェクトをカバーしている。 フレーム単位の空間評価にのみ依存する従来のベンチマークとは異なり、時間的・時間的整合性を評価するために2つの指標を導入する。
  論文  参考訳（メタデータ） (2025-05-19T04:52:31Z)
• Long-Context Autoregressive Video Modeling with Next-Frame Prediction [17.710915002557996]
  長文ビデオモデリングは、生成モデルが世界シミュレータとして機能するために不可欠である。 長いビデオで直接トレーニングすることは自然な解決策だが、視覚トークンの急速な成長は計算的に禁止する。 フレームオートレグレッシブ(FAR)モデルを提案し、連続フレーム間の時間的依存関係をモデル化し、ビデオ拡散変換器よりも高速に収束し、トークンレベルの自己回帰モデルより優れる。
  論文  参考訳（メタデータ） (2025-03-25T03:38:06Z)
• Infinite Motion: Extended Motion Generation via Long Text Instructions [51.61117351997808]
  『無限運動』は、長文を長文から拡張運動生成に活用する新しいアプローチである。 我々のモデルの主な革新は、任意の長さのテキストを入力として受け入れることである。 テキストのタイムスタンプ設計を取り入れ、生成されたシーケンス内のローカルセグメントの正確な編集を可能にする。
  論文  参考訳（メタデータ） (2024-07-11T12:33:56Z)
• Generating Long Videos of Dynamic Scenes [66.56925105992472]
  本稿では、物体の動きを再現する映像生成モデル、カメラ視点の変化、時間とともに現れる新しいコンテンツについて述べる。 よくある障害ケースは、コンテンツが時間的一貫性を提供する誘導バイアスに過度に依存するため、決して変化しないことです。
  論文  参考訳（メタデータ） (2022-06-07T16:29:51Z)

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。