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

📄 arXiv: 2607.02148 📥 PDF

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

分类: cs.CV

发布日期: 2026-07-05

💡 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 骨架拓扑 图变换器 跨拓扑表示 动画生成 机器人控制 深度学习

📋 核心要点

  1. 现有运动生成器主要针对固定的人类骨架，难以处理任意骨架拓扑的运动建模问题。
  2. SAMoR通过引入跨拓扑运动表示，将运动片段编码为固定数量的部分标记，支持不同骨架之间的共享。
  3. 实验结果显示，SAMoR在跨拓扑重建中表现优异，性能显著优于现有的适配方法和固定骨架模型。

📝 摘要（中文）

对任意骨架拓扑的关节物体进行运动建模仍然是一个挑战：现有的运动生成器主要针对固定的人类骨架，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。我们提出了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分标记，支持不同骨架的共享。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，最终生成共享的离散运动代码本。实验表明，SAMoR在跨拓扑重建中达到了$2.75 imes 10^{-2}$的标准化MPJPE，显著优于现有基线，同时在HumanML3D数据集上与固定骨架专家模型竞争。

🔬 方法详解

问题定义：论文旨在解决任意骨架拓扑的关节物体运动建模问题。现有方法在处理不同骨架时往往无法共享运动词汇，导致运动细节丢失。

核心思路：SAMoR的核心思路是通过识别功能关节组的运动结构，尽管关节数量和连接方式不同，仍能实现跨物种的运动表示。通过将运动片段编码为固定数量的部分标记，解决了不同骨架之间的共享问题。

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，将这些信息压缩为部分级别的标记，形成共享的离散运动代码本。

关键创新：SAMoR的主要创新在于引入了拓扑无关的注意力监督损失，防止部分查询坍缩为冗余的全局表示，同时通过关节名称的随机失活减少对文本标签的过度依赖。

关键设计：在设计中，SAMoR使用了固定数量的部分标记（$K=8$），并采用了交叉注意力池化和残差向量量化等技术细节，以确保运动信息的有效编码和共享。

🖼️ 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-$J$标记器基线降低了$5.8 imes$，同时在HumanML3D数据集上与固定骨架专家模型保持竞争力，展现了其优越的性能。

🎯 应用场景

SAMoR的研究成果在动画制作、游戏开发和机器人运动控制等领域具有广泛的应用潜力。通过支持不同骨架的运动建模，该方法能够提高动画生成的灵活性和效率，促进多样化角色的创建与编辑，未来可能在虚拟现实和增强现实中发挥重要作用。

📄 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.