Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
인간 동작 확산 모델에서 동작의 강도를 정밀하게 제어하기 위한 EMA(Effort Metric Attention) 프레임워크를 제안합니다. LMA 이론을 바탕으로 수치화된 노력 신호를 사용하여 동작의 페이싱과 양을 효과적으로 조절합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.GR (Graphics)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기인간 동작 확산 모델 (Human motion diffusion models)은 텍스트로부터 동작 시퀀스를 합성할 수 있지만, 동작의 강도 (motion intensity)를 제어하는 것은 여전히 어려운 과제로 남아 있습니다. 기존 방식들은 노력 (effort)과 관련된 부사들에 의존하는데, 이는 모호하며 페이싱 (pacing)과 같은 정량적인 측면을 포착하지 못해 종종 평면적이고 단조로운 역동성을 초래합니다. 우리는 수치화된 노력 신호 (numerical effort signals)를 통해 확산 (diffusion) 과정을 조건화하는 크로스 어텐션 (cross-attention) 모듈인 노력 지표 어텐션 (Effort Metric Attention, EMA) 기반의 강도 제어 프레임워크를 제안합니다. Laban Movement Analysis (LMA)에서 영감을 얻은 이 프레임워크는 시간 (Time) 및 무게 (Weight) 노력 요인에 집중합니다. 우리는 이 요인들을 두 가지 운동학적 지표 (kinematic metrics)를 사용하여 근사화합니다: 페이싱 (pacing)을 위한 피크 관절 위치 변화 (peak joint positional change)와 동작량 (motion amount)을 위한 집합적 관절 위치 변화 (collective joint positional change)입니다. EMA는 비용이 많이 드는 사후 최적화 (post-hoc optimization) 없이도 세밀한 영역별 제어를 가능하게 합니다. 우리는 수치적 충실도 (numerical fidelity)와 국소적 제어 (localized control)를 평가하기 위해 지표-동작 일관성 (metric-to-motion consistency) 및 신체 부위별 노력 조절 (body-part-level effort modulation)이라는 두 가지 평가 과제를 도입합니다. 실험과 사용자 연구 결과, 지정된 노력 수준, 생성된 동작 역동성, 그리고 확립된 LMA 기술어 (descriptors) 사이에 거의 단조적인 정렬 (near-monotonic alignment)이 나타남을 확인했습니다. 이러한 결과는 실제 환경에서 노력 역동성 (effort dynamics)에 대한 효과적이고 해석 가능한 제어가 가능함을 나타냅니다.