SuperMotion: Source-Preserving Denoising for Text-Driven Human Motion Editing
作者: Fa-Ting Hong, Peter Wonka
分类: cs.CV
发布日期: 2026-10-01
备注: Under review
💡 一句话要点
提出SuperMotion以解决文本驱动的人体动作编辑问题
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 文本驱动编辑 人体动作 去噪技术 运动动态 深度学习
📋 核心要点
- 现有的文本驱动人体动作编辑方法在去噪过程中容易丢失时间细节，导致编辑效果不理想。
- 论文提出的SuperMotion框架通过在每个反向步骤中重用源内容，显式控制源的保留，从而改善编辑效果。
- 实验结果显示，SuperMotion在MotionFix数据集上达到了33.20%的全池R@1，显著提高了编辑准确性并保留了运动动态。
📝 摘要（中文）
文本驱动的人体动作编辑旨在实现请求的变化，同时保留兼容的源内容。现有的扩散编辑器在保留未编辑部分时主要依赖学习的条件，但随着去噪过程的进行，其输出可能会失去时间细节。我们提出了源保留去噪框架（SuperMotion），在每个反向步骤中显式重用源以实现源保留。我们首先将源运动对齐到输出时间线，并预测一个保留门，控制跨帧和特征维度的重用。干净空间源锚点利用学习的保留门将预测的干净运动与对齐的源混合，并将修正的估计直接传递给采样后验。由于对齐的源是实现的运动而非回归输出，锚点注入了样本级的时间细节，这些细节通常被重建训练的去噪器平滑掉。通过时间高频损失监督锚定估计与编辑目标的匹配，这些目标不需要显式的编辑掩码。大量实验表明，SuperMotion提高了编辑准确性，在MotionFix上达到了33.20%的全池R@1，同时减少了时间细节的衰减，保留了运动动态。
🔬 方法详解
问题定义：本文旨在解决文本驱动的人体动作编辑中，现有方法在去噪过程中导致的时间细节丢失和源内容保留不足的问题。
核心思路：SuperMotion框架通过在每个反向步骤中显式重用源内容，利用保留门控制源的重用，以此来保留未编辑部分的时间细节。
技术框架：该框架包括源运动对齐、保留门预测、干净空间源锚点的利用以及与编辑目标的监督学习等主要模块。
关键创新：SuperMotion的核心创新在于其源保留机制，通过对齐的源运动提供样本级的时间细节，避免了传统去噪器的平滑效应。
关键设计：设计中包括保留门的学习、时间高频损失的引入，以及干净空间源锚点的构建，这些设计确保了源内容的有效重用和编辑目标的匹配。
🖼️ 关键图片
📊 实验亮点
实验结果表明，SuperMotion在MotionFix数据集上达到了33.20%的全池R@1，相比于现有方法显著提高了编辑准确性，同时有效减少了时间细节的衰减，保留了运动的动态特性。
🎯 应用场景
该研究在动画制作、游戏开发和虚拟现实等领域具有广泛的应用潜力。通过提高文本驱动的人体动作编辑精度，SuperMotion能够帮助创作者更高效地实现复杂的动作编辑需求，提升用户体验和创作效率。
📄 摘要（原文）
Text-driven human motion editing aims to realize a requested change while preserving compatible source content. Existing diffusion editors rely largely on learned conditioning for preservation of the unedited part, yet their outputs can lose temporal detail as denoising proceeds. We propose the \textbf{Source-Preserving Denoising framework (SuperMotion)}, which explicitly reuses the source at each reverse step for source preservation. We first align the source motion to the output timeline and predict a preservation gate that controls reuse across frames and feature dimensions. A clean-space source anchor then utilizes the learned preservation gate to blend the predicted clean motion with the aligned source and passes the corrected estimate directly to the sampling posterior. Because the aligned source is a realized motion rather than a regression output, the anchor injects sample-level temporal detail that a reconstruction-trained denoiser tends to smooth away. To learn effective source reuse, we supervise the anchored estimate against the editing target and match its second temporal differences through a temporal high-frequency loss. These objectives require no explicit edit masks. Extensive experiments show that SuperMotion improves editing accuracy, reaching 33.20\% full-pool R@1 on MotionFix, while reducing temporal-detail attenuation and preserving motion dynamics as it realizes the requested changes. Ablations confirm that the learned preservation gate is responsible for the gain and that it reuses the source to retain the unedited content properly.