Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2506.02444v3

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2506.02444v3 (cs)
[提交于 2025年6月3日 (v1) ,最后修订 2025年6月5日 (此版本, v3)]

标题: SViMo:手部与物体交互场景下用于视频和运动生成的同步扩散模型

标题: SViMo: Synchronized Diffusion for Video and Motion Generation in Hand-object Interaction Scenarios

Authors:Lingwei Dang, Ruizhi Shao, Hongwen Zhang, Wei Min, Yebin Liu, Qingyao Wu
摘要: 手-物交互(HOI)生成具有重要的应用潜力。然而,当前的3D HOI运动生成方法严重依赖预定义的3D物体模型和实验室捕获的运动数据,限制了其泛化能力。同时,HOI视频生成方法优先考虑像素级视觉保真度,往往牺牲了物理上的合理性。 认识到视觉外观和运动模式在现实世界中共享基本的物理规律,我们提出了一种新颖的框架,在同步扩散过程中结合视觉先验和动态约束,以同时生成HOI视频和运动。为了整合异构语义、外观和运动特征,我们的方法实现了三模态自适应调制来对齐特征,并结合3D全注意力来建模跨模态和模态内的依赖关系。 此外,我们引入了一个视觉感知的3D交互扩散模型,该模型直接从同步扩散输出生成显式的3D交互序列,然后将其反馈回来建立闭环反馈循环。这种架构消除了对手动物体模型或显式姿态指导的依赖,同时显著提高了视频与运动的一致性。 实验结果表明,我们的方法在生成高保真、动态合理的HOI序列方面优于最先进的方法,并且在未见过的真实场景中表现出显著的泛化能力。 项目页面见 https://github.com/Droliven/SViMo_project。
摘要: Hand-Object Interaction (HOI) generation has significant application potential. However, current 3D HOI motion generation approaches heavily rely on predefined 3D object models and lab-captured motion data, limiting generalization capabilities. Meanwhile, HOI video generation methods prioritize pixel-level visual fidelity, often sacrificing physical plausibility. Recognizing that visual appearance and motion patterns share fundamental physical laws in the real world, we propose a novel framework that combines visual priors and dynamic constraints within a synchronized diffusion process to generate the HOI video and motion simultaneously. To integrate the heterogeneous semantics, appearance, and motion features, our method implements tri-modal adaptive modulation for feature aligning, coupled with 3D full-attention for modeling inter- and intra-modal dependencies. Furthermore, we introduce a vision-aware 3D interaction diffusion model that generates explicit 3D interaction sequences directly from the synchronized diffusion outputs, then feeds them back to establish a closed-loop feedback cycle. This architecture eliminates dependencies on predefined object models or explicit pose guidance while significantly enhancing video-motion consistency. Experimental results demonstrate our method's superiority over state-of-the-art approaches in generating high-fidelity, dynamically plausible HOI sequences, with notable generalization capabilities in unseen real-world scenarios. Project page at https://github.com/Droliven/SViMo_project.
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2506.02444 [cs.CV]
  (或者 arXiv:2506.02444v3 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.02444
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Lingwei Dang [查看电子邮件]
[v1] 星期二, 2025 年 6 月 3 日 05:04:29 UTC (30,196 KB)
[v2] 星期三, 2025 年 6 月 4 日 10:53:28 UTC (30,186 KB)
[v3] 星期四, 2025 年 6 月 5 日 03:21:54 UTC (30,188 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号