論文の概要: BLANC: Adaptive Temporal Scheduling for Sign Language Production

• arxiv url: http://arxiv.org/abs/2610.24109v1
• Date: Fri, 16 Oct 2026 18:36:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 11:01:42.656389
• Title: BLANC: Adaptive Temporal Scheduling for Sign Language Production
• Title（参考訳）: BLANC: 手話生産のための適応的時間スケジューリング
• Abstract要約: 署名言語生成(SLP)は、テキストから表現力のある署名動作を合成することを目的としている。 きめ細かい手関節は、比較的遅い体の動きよりも時間分解能が高い。 BLANCは,各ブロック内でトークンを並列にデノベーションしながら,変数デューレーション動作ブロックを因果的に生成する,光沢のないSLPフレームワークである。
• 参考スコア（独自算出の注目度）: 14.420160439715124
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Sign language production (SLP) aims to synthesize expressive signing motion from written text. Modeling signing motion presents two key temporal challenges. First, fine-grained hand articulations demand higher temporal resolution than relatively slower body movements. Second, signing events unfold over variable durations, calling for adaptive temporal scheduling during generation. To address these challenges, we first introduce a Multi-Rate Vector Quantizer (MRVQ), an articulation-decoupled motion tokenizer that represents the body and both hands as separate discrete streams at distinct temporal resolutions. Building on this representation, we propose BLANC (BLock-wise Adaptive diffusioN with Articulatory Clock), a gloss-free SLP framework that generates variable-duration motion blocks causally while denoising tokens in parallel within each block. At its core, a Latent Articulatory Clock (LAC) learns temporal structure from multi-scale motion-derived partitions to predict block durations and sequence termination during generation. We further introduce inference-time body-conditioned hand refinement to improve coordination across articulators. Extensive experiments on PHOENIX-2014T and CSL-Daily demonstrate that BLANC achieves state-of-the-art performance in sign language production.
• Abstract（参考訳）: 署名言語生成(SLP)は、テキストから表現力のある署名動作を合成することを目的としている。 署名動作のモデル化には2つの重要な時間的課題がある。 第一に、細粒度の手関節は比較的遅い体の動きよりも時間分解能が要求される。 第二に、署名イベントは変動期間を超えて展開され、生成中に適応的な時間的スケジューリングが要求される。 これらの課題に対処するために、まず、身体と両手を異なる時間分解能で個別のストリームとして表現する関節分離型モーショントークンーザであるMRVQ(Multi-Rate Vector Quantizer)を導入する。 この表現に基づいて,各ブロック内でトークンを並列にデノベートしながら,変数デュレーション動作ブロックを因果的に生成する,光沢のないSLPフレームワークであるBLANC(BLock-wise Adaptive diffusioN with Articulatory Clock)を提案する。 LAC(Latent Articulatory Clock)は、マルチスケールな動きから時間構造を学習し、生成中のブロック時間とシーケンス終了を予測する。 さらに,音節間のコーディネーションを改善するために,推論時体調改善法を導入する。 PHOENIX-2014T と CSL-Daily の大規模な実験により,BLANC が手話生産において最先端の性能を発揮することが示された。

関連論文リスト

• SignRR: Retrieve and Refine Real Motion for Sign Language Production [1.0332950685403934]
  本稿では,実際の検索動作から始まり,それをグローバルなコヒーレントな署名シーケンスへと洗練するパラダイムであるrequire-and-refineを提案する。 我々のフレームワークであるSignRRは、実符号セグメントの辞書からの動作を初期化し、部分認識された残差VQ-VAEで全シーケンスを洗練する。
  論文  参考訳（メタデータ） (2026-08-28T17:45:14Z)
• TBD-VLA: Temporal Block Diffusion Vision Language Action Model [7.861095039299131]
  本稿では,ブロック拡散を組み込んだ離散トークンベースのVLAフレームワークTBD-VLAを紹介する。 動作シーケンスを時間ブロックに分割し、ブロック間の自己回帰生成を維持しながら、各ブロック内でマスキングされた離散拡散を行う。 この設計は時間的自己回帰と並列動作復号を統一し、強い時間的コヒーレンスと推論速度の向上を両立させる。
  論文  参考訳（メタデータ） (2026-06-05T23:10:43Z)
• MultiAct: Text-to-Motion Generation from Composite Text via Tailored Attention Guidance [54.131431576597514]
  MultiActは、合成テキスト-モーション合成のための未ペアの推論時間フレームワークである。 提案手法は,未表現のプロンプト成分に付随するクロスアテンションスコアを適応的に増幅することにより,意味的崩壊に対処する。
  論文  参考訳（メタデータ） (2026-05-29T07:14:48Z)
• SignSparK: Efficient Multilingual Sign Language Production via Sparse Keyframe Learning [54.232148007248874]
  現在の手話生産(SLP)フレームワークは、まさにトレードオフに直面している。 本研究では,スペースを利用した新たなトレーニングパラダイムを提案し,人間の署名の真の基盤となる分布を捉える。 これらの離散的なアンカーから高密度な動きを予測することにより、流体の調音を確実にしながら、回帰から平均への移動を緩和する。
  論文  参考訳（メタデータ） (2026-03-11T06:02:36Z)
• MIBURI: Towards Expressive Interactive Gesture Synthesis [62.45332399212876]
  Embodied Conversational Agents (ECA) は、音声、ジェスチャー、表情を通じて人間の対面相互作用をエミュレートすることを目的としている。 既存のECAの解は、人間のような相互作用には適さない剛性で低多様性の運動を生み出す。 MIBURIは,リアルタイム音声対話と同期した表現力のあるフルボディジェスチャーと表情を生成するための,最初のオンライン因果的フレームワークである。
  論文  参考訳（メタデータ） (2026-03-03T18:59:51Z)
• MaDiS: Taming Masked Diffusion Language Models for Sign Language Generation [78.75809158246723]
  本稿では,SLGのためのマスク付き拡散型言語モデルであるMaDiSについて述べる。 また,トークン・ラテント・ヘアリング・3次元空間の目的から共同で学習する3段階のクロスモーダル事前学習手法を導入する。 MaDiSはDTWエラーと新たに導入された2つのメトリクスであるSiBLEUとSiCLIPを含む複数のメトリクスで優れたパフォーマンスを実現し、推論レイテンシを30%近く削減している。
  論文  参考訳（メタデータ） (2026-01-27T13:06:47Z)
• Non-autoregressive Sequence-to-Sequence Vision-Language Models [59.445765313094434]
  本稿では,デコーダ内の複数の推論経路をマージする並列デコードシーケンス・ツー・シーケンス・ビジョン言語モデルを提案する。 このモデルは最先端の自己回帰モデルと同等のパフォーマンスを実現するが、推論時間では高速である。
  論文  参考訳（メタデータ） (2024-03-04T17:34:59Z)

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。