論文の概要: ETA-Motion: Efficient Topology-Agnostic Motion Diffusion via Sparse Joint Learning

• arxiv url: http://arxiv.org/abs/2610.38259v1
• Date: Wed, 28 Oct 2026 04:18:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 18:32:13.792556
• Title: ETA-Motion: Efficient Topology-Agnostic Motion Diffusion via Sparse Joint Learning
• Title（参考訳）: ETA-Motion:スパース・ジョイント・ラーニングによる効率的な位相非依存運動拡散
• Abstract要約: トポロジーに依存しない運動生成は、任意の骨格を持つ様々なキャラクターの運動を合成することを目的としている。 既存の手法は、高密度フルジョイントモデリングによってこの問題に対処する。 スパース・ジョイント・ラーニングに基づくトポロジーに依存しない運動生成フレームワークであるETA-Motionを提案する。
• 参考スコア（独自算出の注目度）: 12.973657570368317
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Topology-agnostic motion generation aims to synthesize motions for diverse characters with arbitrary skeletons. Unlike conventional motion generation, which assumes a fixed skeletal template, this setting must handle diverse joint configurations and inconsistent joint semantics across characters. Existing methods address this challenge through dense full-joint modeling, which incurs substantial computational cost and hinders learning transferable motion patterns across diverse skeletal topologies. We present ETA-Motion, a topology-agnostic motion generation framework based on sparse joint learning. Instead of learning motion from all joints, our method uses a compact subset of joints to reduce redundancy and trains the motion generator on the resulting sparse skeleton. To facilitate correspondence across diverse topologies, we introduce semantic joint embeddings that combine textual and visual cues, together with topology-aware training objectives for preserving skeletal structure. Although ETA-Motion is trained only on sparse skeletal observations, it supports full-skeleton motion generation during inference. Experimental results demonstrate that ETA-Motion outperforms existing topology-agnostic baselines while significantly improving efficiency and generalization to unseen motions and unseen topologies.
• Abstract（参考訳）: トポロジーに依存しない運動生成は、任意の骨格を持つ様々なキャラクターの運動を合成することを目的としている。 固定された骨格テンプレートを仮定する従来の動作生成とは異なり、この設定は様々な関節構成と文字間の一貫性のない関節意味を扱わなければならない。 既存の手法では、高密度なフルジョイントモデリングによってこの問題に対処し、計算コストを大幅に削減し、様々な骨格トポロジーをまたいだ移動可能な運動パターンの学習を妨げている。 スパース・ジョイント・ラーニングに基づくトポロジーに依存しない運動生成フレームワークであるETA-Motionを提案する。 全ての関節から運動を学習する代わりに, 関節のコンパクトなサブセットを用いて冗長性を低減し, 結果として生じるスパース骨格の運動生成を訓練する。 多様なトポロジ間の対応を容易にするために,テキストと視覚的手がかりを組み合わせたセマンティックジョイント埋め込みと,骨格構造を保存するためのトポロジ対応トレーニング目標を導入する。 ETA-Motionは軽度の骨格観察でのみ訓練されるが、推論時のフル骨格運動生成をサポートする。 実験の結果, ETA-Motionは既存のトポロジ非依存のベースラインよりも優れており, 効率や一般化は目立たない動きや目に見えないトポロジに大きく向上していることがわかった。

関連論文リスト

• Neural Motion Blending Across Arbitrary Character Topologies [7.503125656408304]
  異種骨格間での運動ブレンディングのための新しい枠組みを提案する。 提案アーキテクチャは,移動状態のフレームごとの潜在表現を抽出するセマンティックエンコーダと拡散に基づくデコーダを組み合わせたものである。 我々は、同じ骨格トポロジーと異なる骨格トポロジーで定義された動きを用いてTruebones Zooデータセットの手法を訓練し、評価する。
  論文  参考訳（メタデータ） (2026-07-11T15:46:13Z)
• AtomicMotion: Learning Human Motion From Different Human Parts [9.72019653340761]
  私たちは,3つのコアイノベーションを通じて身体のダイナミクスを分離し,再統合するように設計されたフレームワークであるAtomicMotionを紹介します。 まず,スケルトンを機能的意図に基づいて5つの異なるクラスタに分解する論理体分割方式を提案する。 第二に、スパース入力を高次元ポーズに頑健にマッピングするために、マスク付きフルボディプレコンディショニング戦略を採用する。 第3に,バニラ空間的注意の限界に対処し,キネマティック・アテンションを提案する。
  論文  参考訳（メタデータ） (2026-05-21T15:39:38Z)
• Beyond Global Alignment: Fine-Grained Motion-Language Retrieval via Pyramidal Shapley-Taylor Learning [56.6025512458557]
  動き言語検索は、自然言語と人間の動きの間の意味的ギャップを埋めることを目的としている。 既存のアプローチは主に、全動作シーケンスとグローバルテキスト表現の整合性に重点を置いている。 本研究では,微粒な動き言語検索のためのPST学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T16:00:12Z)
• PALUM: Part-based Attention Learning for Unified Motion Retargeting [53.17113525688095]
  異なる骨格構造を持つキャラクター間の反発は、コンピュータアニメーションの基本的な課題である。 多様な骨格トポロジーにまたがる共通の動き表現を学習する新しいアプローチを提案する。 実験は、運動リアリズムと意味的忠実性を維持しながら、多様な骨格構造を扱う上で優れた性能を示す。
  論文  参考訳（メタデータ） (2026-01-12T07:29:44Z)
• Topology-Agnostic Animal Motion Generation from Text Prompt [16.557163253248817]
  OmniZooは140種32,979配列にまたがる大規模動物運動データセットである。 本稿では,任意の骨格トポロジに対してテキスト駆動動作を生成可能な,一般化された自己回帰運動生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-11T07:08:29Z)
• Foundation Model for Skeleton-Based Human Action Understanding [56.89025287217221]
  本稿では,統一骨格に基づくDense Representation Learningフレームワークを提案する。 USDRLはトランスフォーマーベースのDense Spatio-Temporal (DSTE)、Multi-Grained Feature Deorrelation (MG-FD)、Multi-Perspective Consistency Training (MPCT)で構成されている。
  論文  参考訳（メタデータ） (2025-08-18T02:42:16Z)
• Skeleton-Aware Networks for Deep Motion Retargeting [83.65593033474384]
  骨格間のデータ駆動動作のための新しいディープラーニングフレームワークを提案する。 我々の手法は、トレーニングセットの運動間の明確なペアリングを必要とせずに、再ターゲティングの仕方を学ぶ。
  論文  参考訳（メタデータ） (2020-05-12T12:51:40Z)

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。