論文の概要: Learn to Modify: Self-evolving Multi-agent Refinement Framework for Conversational Text-to-Motion Generation
- arxiv url: http://arxiv.org/abs/2610.28210v1
- Date: Tue, 20 Oct 2026 13:47:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.835648
- Title: Learn to Modify: Self-evolving Multi-agent Refinement Framework for Conversational Text-to-Motion Generation
- Title（参考訳）: 修正を学ぶ:対話型テキスト・トゥ・モーション生成のための自己進化型マルチエージェント・リファインメント・フレームワーク
- Abstract要約: 本研究では,対話型動作生成パラダイムを導入し,システムに指示,動作生成の局所的編集,品質評価の調整を行う。
SMART内では,対話履歴から動作編集知識を動的に蓄積し,過去の経験を再利用するメモリベースの自己進化戦略を提案する。
- 参考スコア（独自算出の注目度）: 16.866557074446643
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite rapid progress in text-to-motion generation, existing methods are commonly designed for single-shot generation. When users are dissatisfied with specific motion details, they are often forced to regenerate the entire sequence from scratch, which is computationally inefficient and potentially destroys previously established kinematic context. A practical generation system should instead support iterative user feedback and refine only the affected spatio-temporal regions while preserving the remaining motion. Therefore, we introduce a conversational motion generation paradigm that requires the system to coordinate instruction understanding, motion generation, localized editing, and quality assessment. Recent advances in LLM-driven multi-agent systems provide a promising foundation for such role-specialized coordination. To tackle these challenges, a Self-evolving Multi-Agent RefinemenT Framework (SMART) is proposed for conversational motion generation. Within SMART, to preserve semantic consistency, we design a semantic-guided masked motion editing mechanism, which precisely grounds natural language feedback into spatiotemporal motion regions to enable localized refinements without altering unedited regions. To reduce redundant exploration, we propose a memory-based self-evolving strategy that dynamically accumulates motion editing knowledge from interaction history and reuses past successful experience. Extensive experiments demonstrate that SMART effectively supports multi-turn conversational motion generation and enables efficient motion refinement.
- Abstract（参考訳）: テキスト・ツー・モーション・ジェネレーションの急速な進歩にもかかわらず、既存の手法はシングルショット・ジェネレーションのために一般的に設計されている。
ユーザが特定の動作の詳細に不満を持つ場合、スクラッチから全シーケンスを再生せざるを得ない。
実際の生成システムは、繰り返しユーザフィードバックをサポートし、残りの動作を保ちながら、影響を受ける時空間のみを洗練すべきである。
そこで,本研究では,指示理解,動作生成,局所的な編集,品質評価を協調するシステムを必要とする対話型動作生成パラダイムを提案する。
LLM駆動型マルチエージェントシステムの最近の進歩は、そのような役割特化協調のための有望な基盤となる。
これらの課題に対処するために,対話型モーション生成のための自己進化型マルチエージェントRefinemenT Framework(SMART)を提案する。
SMART内では意味的整合性を維持するために,自然言語のフィードバックを時空間に正確に根拠付け,未編集領域を変更せずに局所的な改善を可能にする意味誘導型マスク運動編集機構を設計する。
冗長な探索を減らすため,対話履歴から動的に動作編集知識を蓄積し,過去の経験を再利用するメモリベースの自己進化戦略を提案する。
広範囲な実験により,SMARTは多ターン対話型モーション生成を効果的にサポートし,効率的なモーションリファインメントを実現することが実証された。
関連論文リスト
- 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) - MotiMotion: Motion-Controlled Video Generation with Visual Reasoning [49.243234645532745]
本稿では,動作制御を次世代問題として再定義するフレームワークであるMotiMotionを紹介する。
因果的基盤とコモンセンスと一貫性のある相互作用を促進するために,学習不要な視覚言語推論手法を活用する。
動作の自然性をさらに向上するために,誘導強度を変調する信頼度を考慮した制御方式を提案する。
論文 参考訳（メタデータ） (2026-05-21T17:59:36Z) - MotionMERGE: A Multi-granular Framework for Human Motion Editing, Reasoning, Generation, and Explanation [66.66098171359995]
MotionMERGEは、モーション言語モデルの粒度のギャップを埋める統合フレームワークである。
まず,詳細な理解と局所的な編集を含む,粒度の細かい言語誘導型モーションコントロールの研究の先駆者となる。
第2に,粒度調整を共同で行う新しい戦略である粒度事前学習を意識したReasoningAware Granularity-Synergyを設計する。
第3に、第1の微細時間補正命令とモーショングラウンドCoTアノテーションを備えた大規模データセットであるMotionFineEditをキュレートする。
論文 参考訳（メタデータ） (2026-05-18T18:00:04Z) - IRG-MotionLLM: Interleaving Motion Generation, Assessment and Refinement for Text-to-Motion Generation [54.36300724708094]
評価と改善のタスクは、理解と生成の間の双方向の知識フローを可能にするために重要なブリッジとして機能する。
動作生成、評価、改善をシームレスにインターリーブし、生成性能を向上させる最初のモデルであるIRG-MotionLLMを紹介する。
論文 参考訳（メタデータ） (2025-12-11T15:16:06Z) - Absolute Coordinates Make Motion Generation Easy [8.153961351540834]
最先端のテキスト・トゥ・モーション生成モデルは、HumanML3Dによって普及したキネマティック・アウェア、局所相対運動表現に依存している。
本稿では,大域空間における絶対的共同座標という,テキスト・トゥ・モーション生成の大幅な単純化と長期化の代替案を提案する。
論文 参考訳（メタデータ） (2025-05-26T00:36:00Z) - GENMO: A GENeralist Model for Human MOtion [64.16188966024542]
本稿では,1つのフレームワークで動作推定と生成を橋渡しする汎用人体運動モデル GENMO を提案する。
我々の重要な洞察は、出力運動が観測された条件信号を正確に満たさなければならないような制約された動き生成として運動推定を再構成することである。
我々の新しいアーキテクチャは、可変長動きと混合マルチモーダル条件(テキスト、オーディオ、ビデオ)を異なる時間間隔で処理し、柔軟な制御を提供する。
論文 参考訳（メタデータ） (2025-05-02T17:59:55Z) - ReCoM: Realistic Co-Speech Motion Generation with Recurrent Embedded Transformer [58.49950218437718]
音声に同期した高忠実で一般化可能な人体動作を生成するための効率的なフレームワークであるReCoMを提案する。
Recurrent Embedded Transformer (RET)は、動的埋め込み正規化(DER)をViT(Vit)コアアーキテクチャに統合する。
モデルロバスト性を高めるため,ノイズ抵抗とクロスドメイン一般化の二重性を持つモデルに,提案したDER戦略を取り入れた。
論文 参考訳（メタデータ） (2025-03-27T16:39:40Z) - Leader and Follower: Interactive Motion Generation under Trajectory Constraints [42.90788442575116]
本稿では,対話型モーションジェネレーションにおける動作範囲改善過程について検討する。
Pace ControllerとKinematic Synchronization Adapterを統合した、トレーニング不要のアプローチを提案する。
実験結果から,提案手法は軌道情報をよりよく活用することにより,既存の手法よりも現実性と精度が優れていることがわかった。
論文 参考訳（メタデータ） (2025-02-17T08:52:45Z)
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。