자기 접촉 (self-contact) 및 신체 근접성 (near-body proximity)과 같은 상호작용 의미론 (interaction semantics)을 보존하면서, 서로 다른 체형을 가진 캐릭터 간에 모션을 리타겟팅 (retargeting)하는 것은 여전히 어려운 문제입니다. 최근의 기하학 인지 (geometry-aware) 방식들은 미리 정의된 대응 영역 간의 공간적 관계를 유지함으로써 이 문제를 해결하려 하지만, 정적인 대응 관계 (static correspondences)에 의존하기 때문에 대상 캐릭터가 과장된 신체 비율을 보일 경우 어려움을 겪는 경우가 많습니다. 본 논문에서는 공간 적응형 앵커 (spatially adaptive anchors)를 통한 근접 매칭 (proximity matching)을 수행함으로써 상호작용 의미론을 보존하는 기하학 인지 모션 리타겟팅 프레임워크를 제안합니다. 정적인 앵커 정의를 사용하는 기존 방법과 달리, 제안된 방법은 앵커를 대상 캐릭터의 도달 가능한 영역으로 동적으로 재배치합니다. 이는 앵커 변위 (anchor displacements)를 예측하는 Transformer 기반의 앵커 정제 (anchor refinement) 전략을 통해 달성되며, 미분 가능한 소프트 투영 (differentiable soft projection)을 통해 이동된 앵커가 대상 캐릭터의 기하 구조 내에 머물도록 제한합니다. 소스 캐릭터의 포즈 의존적 공간 구조를 통합함으로써, 적응된 앵커는 상호작용 인지 리타겟팅을 위한 구조적으로 일관된 가이드를 제공합니다. 이러한 앵커를 조건으로 하여, 그래프 기반 오토인코더 (graph-based autoencoder)는 소스의 공간적 구성을 보존하는 대상 골격 모션을 예측합니다. 앵커 적응과 모션 리타겟팅 사이의 작업 정렬된 최적화 (task-aligned optimization)를 장려하기 위해, 우리는 각 모듈을 차례로 최적화하는 교대 학습 방식 (alternating training scheme)을 채택합니다. 광범위한 평가를 통해, 우리는 우리의 방법이 다양한 캐릭터 기하 구조 전반에서 상호작용 충실도 (interaction fidelity)를 보존하는 데 있어 최첨단 (state-of-the-art) 방식들보다 우수한 성능을 보임을 입증합니다.