SAMoR: Motion Modelling for Articulated Objects of Any Skeleton and Topology

📄 arXiv: 2607.02148v1 📥 PDF

作者: Yuhao Zhang, Gerard Pons-Moll, Tolga Birdal

分类: cs.CV

发布日期: 2026-07-02

备注: 20 pages, 5 figures

💡 一句话要点

提出SAMoR以解决任意骨架拓扑的运动建模问题

🎯 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: 运动建模 关节物体 跨拓扑表示 图变换器 部件标记 动画生成 虚拟现实

📋 核心要点

  1. 现有运动生成器主要针对固定的人体骨架，难以处理任意骨架拓扑，导致运动细节丢失或无法共享词汇。
  2. SAMoR通过引入部件标记和图变换器编码器，解决了不同骨架之间的运动表示问题，保持了运动结构的共享。
  3. 在实验中，SAMoR在跨拓扑重建任务中表现优异，显著优于现有的适配基线，且与固定骨架专家相竞争。

📝 摘要（中文）

对任意骨架拓扑的关节物体进行运动建模仍然困难：现有的运动生成器主要针对固定的人体骨架，而之前的适配方法要么无法在不同骨架之间共享词汇，要么通过全局池化丢失运动细节。我们提出SAMoR（Skeleton-Aware Motion Representation for Articulated Objects），一种跨拓扑运动表示方法，将每个运动片段编码为固定数量的部件标记，支持任意骨架。通过图变换器编码器处理关节运动特征、运动学图结构和关节名称嵌入，并通过交叉注意力池化和残差向量量化压缩为部件级标记。SAMoR在跨拓扑重建中达到$2.75 imes 10^{-2}$的标准化MPJPE，相较于最强的适配基线提升了$5.8 imes$。

🔬 方法详解

问题定义：本论文旨在解决任意骨架拓扑的关节物体运动建模问题。现有方法通常针对固定的人体骨架，导致在不同骨架之间无法有效共享运动表示，且常常通过全局池化丢失运动细节。

核心思路：论文的核心思路是通过引入部件标记来表示运动，利用功能关节组的运动结构进行跨拓扑的运动表示。尽管不同物种的关节运动在细节上不完全对应，但功能性关节组的运动结构是共享的。

技术框架：SAMoR的整体架构包括图变换器编码器，该编码器处理每个关节的运动特征、运动学图结构和关节名称嵌入。通过交叉注意力池化和残差向量量化，将这些信息压缩为共享的部件级标记。

关键创新：最重要的技术创新点在于引入了拓扑无关的注意力监督损失，防止部件查询坍缩为冗余的全局表示，同时通过关节名称的随机丢弃减少对文本标签的过度依赖。

关键设计：在参数设置上，SAMoR使用固定数量的部件标记（$K=8$），并设计了图变换器的结构以有效处理运动特征和拓扑信息。损失函数中引入的拓扑无关注意力监督损失是其关键设计之一。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，SAMoR在跨拓扑重建任务中达到了$2.75 imes 10^{-2}$的标准化MPJPE，相较于最强的适配变量-$J$标记器基线提升了$5.8 imes$，同时在HumanML3D数据集上与固定骨架专家保持竞争力，展示了其优越的性能。

🎯 应用场景

该研究的潜在应用领域包括动画制作、虚拟现实和机器人控制等。通过实现任意骨架的运动建模，SAMoR能够在多种不同的应用场景中提供灵活的运动生成和编辑能力，提升用户体验和创作效率。

📄 摘要（原文）

Modeling motion for articulated objects of arbitrary skeleton topology remains difficult: existing motion generators target a fixed human skeleton, and prior adaptations either fail to share a vocabulary across rigs or discard motion detail through global pooling. Our key observation is that while joint-level motion does not correspond cleanly across species, motion of functional joint groups does: a human arm, a wolf foreleg, and a bird wing share motion structure despite differing joint counts and connectivity, a correspondence that joint names (e.g., "forearm", "wing_L1") partially expose even when topology does not. We introduce SAMoR (Skeleton-Aware Motion Representation for Articulated Objects), a cross-topology motion representation that encodes each motion segment as a small fixed number ($K=8$) of part tokens shared across arbitrary skeletons. A graph-transformer encoder consumes per-joint motion features, kinematic graph structure, and joint-name embeddings, then compresses them into part-level tokens via cross-attention pooling and residual vector quantization, yielding a discrete motion codebook shared across rigs. To keep the part queries from collapsing into redundant global representations, we introduce a topology-agnostic attention supervision loss, with joint-name dropout to reduce over-reliance on text labels. We curate a heterogeneous corpus from HumanML3D, Truebones Zoo, and animated Objaverse-XL assets, and evaluate SAMoR on held-out characters with unseen skeletons. It supports accurate reconstruction and cross-topology transfer, and enables text-conditioned generation and part-wise editing via a MaskGIT token generator. SAMoR reaches $2.75 \times 10^{-2}$ normalized MPJPE on cross-topology reconstruction, $5.8\times$ below the strongest adapted variable-$J$ tokenizer baseline, while remaining competitive with fixed-skeleton specialists on HumanML3D.