PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.38578v2cs.CV

학습 가능한 평탄화를 통한 다양한 스켈레톤으로의 모션 리타겟팅

Retargeting Motions to Diverse Skeletons via Learnable Flattening

구조 간 모션 리타겟팅(motion retargeting)은 서로 다른 골격 토폴로지(skeletal topology) 간에 모션을 전달하는 것을 목표로 합니다. 최근의 발전에도 불구하고, 기존의 최신 모델들은 제로샷(zero-shot) 환경, 즉 학습(training) 중에 보지 못한 서로 다른 토폴로지를 가진 스켈레톤에 대한 신뢰성에 어려움을 겪고 있으며, 최근의 트랜스포머(Transformer) 기반 시도들은 특화된 기하학적 방법들의 성능을 능가하지 못했습니다. 본 연구에서는 토폴로지 및 이동 불변(translation-invariant) 잠재 공간을 학습하는 트랜스포머 오토인코더를 통해 이러한 간극을 메웁니다. 우리의 핵심 기여는 지역적 의존성과 전역적 구조를 모두 포착하는 스켈레톤 그래프의 학습 가능한 평탄화(learnable flattening)입니다. 토큰(token) 내용에 위치 정보를 더하는 표준 트랜스포머 아키텍처와 달리, 본 연구는 평탄화 공식화에서 직접 도출된 설계 선택에 따라 그래프 기반 위치 인코딩을 곱셈 방식으로 통합합니다. 그 결과 도출된 모델(model)은 단일 통합 아키텍처 내에서 다양한 골격 토폴로지를 처리하며, 쌍을 이룬(paired) 리타겟팅 데이터 없이 완전한 비지도 방식으로 학습됩니다. 절제 연구(ablation study)를 통해 그래프 인코딩, 곱셈적 공식화, 트랜스포머 백본이 성능에 결정적임을 확인했습니다. 제로샷 평가에서 본 연구의 방법은 현재 벤치마크 대비 전역 관절 위치 오차를 $43-47\%$ 감소시킵니다. 전문 애니메이터가 포함된 사용자 연구($n = 37$)에서도 본 접근법이 모션 정렬 및 물리적 개연성 측면에서 가장 높은 순위를 기록했습니다($p < 0.05$). 이러한 결과는 본 모델 설계가 트랜스포머 아키텍처를 모션 리타겟팅에 효과적으로 적용하여 기존 접근법을 능가하도록 만드는 핵심임을 입증합니다.