論文の概要: DragonMoCap: Monocular Video-based Motion Capture for Diverse Dragon Topologies

• arxiv url: http://arxiv.org/abs/2610.25437v1
• Date: Sun, 18 Oct 2026 17:59:45 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:29:02.336727
• Title: DragonMoCap: Monocular Video-based Motion Capture for Diverse Dragon Topologies
• Title（参考訳）: DragonMoCap:Dragonトポロジーのためのモノクロビデオベースのモーションキャプチャ
• Abstract要約: 我々はDragonMoCapを紹介した。DragonMoCapは、ターゲットリグを固定前ではなく動的インプットとして扱う新しいフレームワークである。 フレームワークを最も一般的な生産トポロジに意図的にスコーピングすることで、さまざまな形態の高忠実度な結果が得られます。 DragonMoCapは、多様なドラゴントポロジでHMRスタイルのベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 40.84095452905776
• License:
• Abstract: This work explores monocular motion capture for dragon-type characters, which currently relies on manual keyframing due to the lack of high-quality datasets and parametric models. The primary obstacle lies in the extreme topological diversity across dragon rigs, where varying joint counts and naming conventions render traditional fixed-template regressors inapplicable. To address this, we introduce DragonMoCap, a novel framework that treats the target rig as a dynamic input rather than a fixed prior. By deliberately scoping the framework to the most prevalent production topologies, we ensure high-fidelity results across diverse morphologies. The core of our approach is the design of language-grounded joint query tokens, which establish a dual-property representation: ensuring intra-rig discriminability while maintaining cross-rig similarity. We further propose a non-parametric query-token retrieval mechanism to enable zero-shot adaptation to unseen rigs without retraining. Extensive evaluations demonstrate that DragonMoCap consistently outperforms HMR-style baselines across diverse dragon topologies. The practical utility of our framework is further evidenced by its integration into professional animation workflows, highlighting its potential for real-time industrial applications.
• Abstract（参考訳）: この研究は、高品質なデータセットとパラメトリックモデルが欠如しているため、現在手動のキーフレーミングに依存しているドラゴンタイプのキャラクターのモノラルモーションキャプチャーを探索する。 主な障害は、ドラゴンリグにまたがる極端なトポロジカルな多様性にある。 これを解決するためにDragonMoCapを紹介します。DragonMoCapは、ターゲットリグを固定前ではなく動的入力として扱う新しいフレームワークです。 フレームワークを最も一般的な生産トポロジに意図的にスコーピングすることで、さまざまな形態の高忠実度な結果が得られます。 提案手法のコアとなるのは,言語を基盤とした共同クエリトークンの設計であり,このトークンは,クロスリグの類似性を維持しつつ,リグ内識別性を確保するという二重プロパティ表現を確立している。 さらに,非パラメトリックなクエリ・トケン検索機構を提案し,リトレーニングを行なわずに未確認のリグへのゼロショット適応を可能にする。 広範囲な評価により、DragonMoCapは多様なドラゴントポロジでHMRスタイルのベースラインを一貫して上回っていることが示されている。 我々のフレームワークの実用性は、プロのアニメーションワークフローに統合されることによってさらに証明され、リアルタイム産業アプリケーションの可能性を強調している。

関連論文リスト

• Retargeting Motions to Diverse Skeletons via Learnable Flattening [5.105943854910561]
  クロス構造運動は、異なる骨格トポロジー間での動きを伝達することを目的としている。 既存の最先端モデルはゼロショット設定で信頼性に苦慮している。 トランスフォーマーをベースとした最近の試みは、特殊な幾何学的手法よりも優れていなかった。
  論文  参考訳（メタデータ） (2026-09-29T21:35:57Z)
• DirtyMoCap: Robust Motion Capture from Unconstrained Markers [22.11785149057378]
  光学式モーションキャプチャのためのロバストでマーカーのないフレームワークであるDirtyMoCapを紹介する。 我々の中心となる洞察は、秩序のないマーカー観測を固定された「プロキシアンカー」にマッピングすることである。 我々の解法は、入力データの信頼性に動的に適応して、適応的な可視性、滑らかさ、および事前重みをエンドツーエンドに学習する。
  論文  参考訳（メタデータ） (2026-09-17T09:05:42Z)
• VRS-UIE: Value-Driven Reordering Scanning for Underwater Image Enhancement [104.78586859995333]
  状態空間モデル(SSM)は、線形複雑性と大域的受容場のために、視覚タスクの有望なバックボーンとして登場した。 大型で均質だが無意味な海洋背景の優位性は、希少で価値ある標的の特徴表現応答を希薄にすることができる。 水中画像強調(UIE)のための新しい値駆動リダクションスキャンフレームワークを提案する。 本フレームワークは, 水バイアスを効果的に抑制し, 構造や色彩の忠実さを保ち, 優れた向上性能(WMambaを平均0.89dB超える)を実現する。
  論文  参考訳（メタデータ） (2025-05-02T12:21:44Z)
• Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy [73.75271615101754]
  本稿では,Transformerアーキテクチャを活用した拡張性のあるフレームワークであるDitaについて紹介する。 Ditaはコンテキスト内コンディショニング(context conditioning)を採用しており、歴史的観察から生の視覚トークンと識別されたアクションをきめ細やかなアライメントを可能にする。 Ditaは、さまざまなカメラパースペクティブ、観察シーン、タスク、アクションスペースの横断的なデータセットを効果的に統合する。
  論文  参考訳（メタデータ） (2025-03-25T15:19:56Z)
• Diffusion Transformer Policy [48.50988753948537]
  本稿では,拡散変圧器ポリシー(Diffusion Transformer Policy)と呼ばれる多モード拡散変圧器を提案し,連続的なエンドエフェクタ動作をモデル化する。 トランスのスケーリング機能を活用することで、提案手法は、多種多様なロボットデータセットにわたる継続的エンドエフェクタアクションを効果的にモデル化することができる。
  論文  参考訳（メタデータ） (2024-10-21T12:43:54Z)
• Robust Motion In-betweening [17.473287573543065]
  本稿では,3次元アニメーターのための新しいツールとして機能する,新しい頑健な遷移生成技術を提案する。 このシステムは、時間的にスパーサをアニメーションの制約として使用する高品質な動作を合成する。 私たちは、トレーニングされたモデルを使用して運用シナリオで相互運用を行う、カスタムのMotionBuilderプラグインを紹介します。
  論文  参考訳（メタデータ） (2021-02-09T16:52:45Z)

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。