ヒューマンインタラクション2025/10/1arXiv:2510.14976

Ponimator: 近接インタラクティブポーズを起点とした多様な人間同士インタラクションアニメーション

Ponimator: Unfolding Interactive Pose for Versatile Human-human Interaction Animation

密着した2人のインタラクティブポーズを手がかりに、拡散モデルで動きや反応、テキストからのインタラクション動作を生成するフレームワークを提案。

詳しい要約

1. どんなもの？

- 近接した2人の人間のinteractive poseを起点に、多様なhuman-human interaction animationを生成するフレームワークPonimatorを提案 - 訓練データはmotion-capture interaction datasetsから得た密着接触の2人ポーズとその時間的文脈 - 2つのconditional diffusion modelで構成 - pose animator: temporal priorを用いinteractive poseから動的motion sequenceを生成 - pose generator: spatial priorを用い単一pose・text・両方からinteractive poseを合成 - image-based interaction animation、reaction animation、text-to-interaction synthesisを支援

2. 先行研究と比べてどこがすごい？

- 密着したinteractive poseがinteraction dynamicsの文脈情報を豊富に含み、人間が過去・未来の動態を推測できるという観察に着想 - このinteractive pose priorを活用し、高品質mocapデータのinteraction知識をopen-worldシナリオへ転移 - 単一フレームワークで複数タスクを統合的に扱う点が特徴 - 具体的な先行研究との定量的比較は要旨からは不明

3. 技術・手法の肝は？

- 訓練データ: motion-capture interaction datasetsの密着接触2人ポーズと周辺の時間的文脈 - 2つのconditional diffusion modelを採用 - pose animator: temporal priorを条件にinteractive poseから動的motion sequenceを生成 - pose generator: spatial priorを条件に単一pose・text・両方からinteractive poseを合成 - interactive poseが得られない場合はpose generatorで補完し、両者を組み合わせ多様なタスクを実現

4. どうやって有効だと検証した？

- 多様なdatasetsとapplicationsでのempirical experimentsを実施 - pose priorのuniversality、フレームワークのeffectivenessとrobustnessを示したと報告 - 具体的な評価指標・比較手法・被験者実験の詳細は要旨からは不明

5. 議論はある？

- pose priorの普遍性とフレームワークの有効性・頑健性を主張 - 限界、失敗事例、計算コスト、データ依存性などの議論は要旨からは不明

6. 次に読むべき論文は？

- 要旨で参照・比較されている個別研究は明示されていない - 関連手法としてconditional diffusion model、motion-capture interaction datasets、text-to-motion synthesis、reaction animation生成の定番研究を次に読むべき候補として挙げる

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Shaowei Liu, Chuan Guo, Bing Zhou, Jian Wang

分類: cs.CV, cs.GR, cs.RO

原文アブストラクト

Close-proximity human-human interactive poses convey rich contextual information about interaction dynamics. Given such poses, humans can intuitively infer the context and anticipate possible past and future dynamics, drawing on strong priors of human behavior. Inspired by this observation, we propose Ponimator, a simple framework anchored on proximal interactive poses for versatile interaction animation. Our training data consists of close-contact two-person poses and their surrounding temporal context from motion-capture interaction datasets. Leveraging interactive pose priors, Ponimator employs two conditional diffusion models: (1) a pose animator that uses the temporal prior to generate dynamic motion sequences from interactive poses, and (2) a pose generator that applies the spatial prior to synthesize interactive poses from a single pose, text, or both when interactive poses are unavailable. Collectively, Ponimator supports diverse tasks, including image-based interaction animation, reaction animation, and text-to-interaction synthesis, facilitating the transfer of interaction knowledge from high-quality mocap data to open-world scenarios. Empirical experiments across diverse datasets and applications demonstrate the universality of the pose prior and the effectiveness and robustness of our framework.

arXivで原文を読む →arXiv概要ページ

← 論文一覧