論文の概要: Image Diffusion Models Are Good 3D Human Motion Generators

• arxiv url: http://arxiv.org/abs/2610.14254v1
• Date: Fri, 09 Oct 2026 19:18:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 22:27:59.163267
• Title: Image Diffusion Models Are Good 3D Human Motion Generators
• Title（参考訳）: 画像拡散モデルは優れた3Dモーションジェネレータである
• Abstract要約: テキスト・トゥ・モーション生成は通常、データセット固有の骨格表現に依存し、異なる関節レイアウトのベンチマークのために個別に訓練されたモデルである。 画像拡散アーキテクチャは、共通の画像互換表現によって3次元の人間の動きをモデル化できるかどうかを検討する。
• 参考スコア（独自算出の注目度）: 44.14934420531506
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-to-motion generation typically relies on dataset-specific skeletal representations, with models trained separately for benchmarks with different joint layouts. We investigate whether image diffusion architectures can model 3D human motion through a common image-compatible representation that accommodates heterogeneous skeletal layouts while preserving motion-specific kinematic structure. To this end, we organize root-centered joint trajectories into topology-informed joint--time images and model global root dynamics through a complementary latent stream. A motion autoencoder conditions local-motion decoding on the root latent, while a text-conditioned Scalable Interpolant Transformer (SiT) jointly generates both latent streams, with supervision on decoded 3D joint positions further constraining generation in motion space. In addition to dataset-specific models, we train a single motion autoencoder on HumanML3D and KIT-ML, followed by a single text-conditioned SiT shared across both datasets, preserving their respective skeletal definitions without skeleton retargeting to a common joint layout. Experiments on HumanML3D and KIT-ML show that our dataset-specific models achieve state-of-the-art performance, while shared training yields further gains on both benchmarks, demonstrating the benefits of shared modeling across heterogeneous skeletal layouts.
• Abstract（参考訳）: テキスト・トゥ・モーション生成は通常、データセット固有の骨格表現に依存し、異なる関節レイアウトのベンチマークのために個別に訓練されたモデルである。 運動固有の運動構造を保ちながら、不均一な骨格配置に対応する共通の画像互換表現を用いて、画像拡散アーキテクチャーが3次元人間の動作をモデル化できるかどうかを検討する。 この目的のために、我々は、ルート中心の関節軌跡をトポロジーインフォームド・ジョイント・タイム・イメージに整理し、補完的な潜在ストリームを通して大域的なルートダイナミクスをモデル化する。 動きオートエンコーダは、ルート潜時において局所的な動き復号を条件とし、テキスト条件のスケーラブル補間変換器(SiT)は、両方の潜時ストリームを共同で生成する。 データセット固有のモデルに加えて、HumanML3DとKIT-MLで単一のモーションオートエンコーダをトレーニングし、続いて、両方のデータセット間で共有される単一のテキスト条件のSiTを使用して、骨格を共通の関節レイアウトに再ターゲットすることなく、それぞれの骨格定義を保存する。 HumanML3DとKIT-MLの実験により、我々のデータセット固有のモデルは最先端のパフォーマンスを達成する一方、共有トレーニングは両方のベンチマークでさらに利益を上げ、異種骨格レイアウトにおける共有モデリングの利点を示す。

関連論文リスト

• World Motion Models: Flexible Sequence Modeling of SE(3) Trajectories [82.08884552902076]
  WMM(World Motion Models)を提案する。 この表現は、明瞭な物体、人体、手動物体の相互作用、断片的に巧妙なシーンダイナミクス、カメラモーション、さらにはロボットの状態とアクションを単一の共有空間に統一する。
  論文  参考訳（メタデータ） (2026-10-01T14:13:24Z)
• Instruct-Particulate: Scaling Feed-Forward 3D Object Articulation with Kinematic Control [86.64250947574749]
  合成された3Dオブジェクトの再構成は、アニメーション、ゲーム、ロボットシミュレーションにおいて重要である。 最近のニューラルネットワークは、3Dオブジェクトの明瞭な構造を推定できるが、その一般化は注釈付きデータの不足によって制限されている。 Instruct-Particulateは、3Dメッシュとターゲットキネマティック仕様を併用するモデルである。
  論文  参考訳（メタデータ） (2026-06-12T17:59:36Z)
• SCAPO: Self-Supervised Category-Level Articulated Pose Estimation from a Single 3D Observation [54.98864436812187]
  本稿では,1つのRGB-D観測から標準幾何,剛部分セグメンテーション,関節ピボット,軸,調音状態を推定する自己教師型フレームワークを提案する。 合成および実調音オブジェクトデータセットの実験により、SCAPOは、一貫した部分構造と正確な調音パラメータを復元し、全ての自監督ベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-06-01T09:04:49Z)
• UniMo: Unifying 2D Video and 3D Human Motion with an Autoregressive Framework [54.337290937468175]
  統合された枠組み内での2次元映像と3次元映像の協調モデリングのための自己回帰モデルUniMoを提案する。 本手法は,正確なモーションキャプチャを行いながら,対応する映像と動きを同時に生成することを示す。
  論文  参考訳（メタデータ） (2025-12-03T16:03:18Z)
• RigAnything: Template-Free Autoregressive Rigging for Diverse 3D Assets [44.655049022141384]
  本稿では,新しい自己回帰変換モデルであるRigAnythingを紹介する。 関節と骨格のトポロジを確率的に生成し、スキンの重量をテンプレートのない方法で割り当てることで、3Dアセットをリグレディにする。 これは、ヒューマノイド、四足動物、海洋生物、昆虫など、さまざまな種類の物体にまたがる最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-02-13T18:59:13Z)
• Double-chain Constraints for 3D Human Pose Estimation in Images and Videos [21.42410292863492]
  深度情報を欠く2次元のポーズから3Dのポーズを再構築することは、人間の動きの複雑さと多様性のために困難である。 ポーズを制約する新しいモデルであるDouble-chain Graph Convolutional Transformer (DC-GCT)を提案する。 本稿では,DC-GCTが2つの挑戦的データセットに対して最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2023-08-10T02:41:18Z)
• MotioNet: 3D Human Motion Reconstruction from Monocular Video with Skeleton Consistency [72.82534577726334]
  モノクロビデオから3次元人間の骨格の動きを直接再構成するディープニューラルネットワークであるMotioNetを紹介した。 本手法は,動作表現を完全かつ一般的に使用するキネマティックスケルトンを直接出力する最初のデータ駆動型手法である。
  論文  参考訳（メタデータ） (2020-06-22T08:50:09Z)

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。