标题： 自适应神经时间感知文本到运动模型 显示英文标题

标题： ANT: Adaptive Neural Temporal-Aware Text-to-Motion Model

摘要： 尽管扩散模型在文本到运动的生成方面取得了进展，但它们静态语义条件忽略了时间频率需求：早期去噪需要结构语义作为运动的基础，而后期阶段则需要局部细节来实现与文本的对齐。 这种不匹配类似于生物形态发生过程，在此过程中，发育阶段需要不同的遗传程序。 受到表观遗传调控引导形态特化的启发，我们提出了 **(ANT)**，即一种 **A**daptive **N**eural **T**ime-Aware 架构。 ANT 通过以下方式协调语义粒度： **(i) 语义时间自适应 (STA) 模块：** 通过频谱分析自动将去噪过程分为低频结构规划和高频细化。 **(ii) 动态无分类器引导调度 (DCFG)：** 自适应调整条件与非条件的比例，以提高效率同时保持保真度。 **(iii) 时间语义重加权：** 定量地将文本影响与阶段需求对齐。 广泛的实验表明，ANT 可应用于各种基线模型，显著提升模型性能，并在 StableMoFusion 上实现了最先进的语义对齐效果。 显示英文摘要

摘要： While diffusion models advance text-to-motion generation, their static semantic conditioning ignores temporal-frequency demands: early denoising requires structural semantics for motion foundations while later stages need localized details for text alignment. This mismatch mirrors biological morphogenesis where developmental phases demand distinct genetic programs. Inspired by epigenetic regulation governing morphological specialization, we propose **(ANT)**, an **A**daptive **N**eural **T**emporal-Aware architecture. ANT orchestrates semantic granularity through: **(i) Semantic Temporally Adaptive (STA) Module:** Automatically partitions denoising into low-frequency structural planning and high-frequency refinement via spectral analysis. **(ii) Dynamic Classifier-Free Guidance scheduling (DCFG):** Adaptively adjusts conditional to unconditional ratio enhancing efficiency while maintaining fidelity. **(iii) Temporal-semantic reweighting:** Quantitatively aligns text influence with phase requirements. Extensive experiments show that ANT can be applied to various baselines, significantly improving model performance, and achieving state-of-the-art semantic alignment on StableMoFusion.