Resumen Técnico: AnchorRoute

Enunciado del Problema

La creación de movimientos humanos es inherentemente dispersa; los usuarios a menudo proporcionan solo unos pocos puntos de referencia de la raíz, muestras de trayectoria planar o objetivos de puntos corporativos junto con un prompt de texto. Estas entradas expresan la intención pero no definen un movimiento completo, dejando al sistema la tarea de inferir el tiempo, la coordinación y los detalles de cuerpo completo. Los métodos existentes de control disperso a menudo luchan por equilibrar la adhesión estricta a estos anclajes dispersos con la preservación de una generación de movimiento de alta calidad y alineada con el texto. El desafío central es crear un marco donde los anclajes dispersos puedan estructurar tanto la condición de un prior generativo como la corrección posterior del movimiento generado sin degradar la calidad subyacente del movimiento.

Metodología

AnchorRoute propone un marco de dos etapas que utiliza un "andamio de anclaje" compartido derivado de entradas dispersas para guiar tanto la generación como el refinamiento.

1. El Andamio de Anclaje

El marco trata los anclajes dispersos (tiempo, subespacio controlado y valor objetivo) como un andamio estructural. Este andamio se instancia de dos maneras:

• Generación: Como memoria de condición alineada con tokens inyectada en un generador congelado.
• Refinamiento: Como un andamio residual que define intervalos temporales y niveles de activación para la corrección.

2. Etapa I: Generación Controlada

AnchorRoute se basa en un prior de texto-a-movimiento Diffusión enmascarada de transición (TMD) congelado.

• Condicionamiento de doble contexto: El sistema separa la semántica del texto del control espacial. El texto proporciona el contexto global de la acción, mientras que los anclajes proporcionan un control espacial disperso.
• AnchorKV: Los anclajes dispersos se convierten en características a nivel de cuadro (valores, máscaras, priores de interpolación y diferencias de primer orden). Estas se codifican en memoria alineada con tokens ($H_s$) e se inyectan en el transformador TMD congelado mediante AnchorKV. Este mecanismo anexa claves y valores condicionados por anclajes a las capas de atención, permitiendo que los tokens de movimiento accedan a restricciones espaciales en cada capa sin reentrenar la base.
• Entrenamiento: Solo se entrena la ruta de condición de anclaje (codificador de andamio, proyecciones AnchorKV y capas de doble contexto). La base TMD permanece congelada, preservando las capacidades de generación de texto-a-movimiento preentrenadas.

3. Etapa II: Refinamiento con RouteSolver

Después de generar el movimiento inicial ($\hat{x}$), RouteSolver realiza un refinamiento en tiempo de inferencia para mejorar la adhesión a los anclajes.

• Andamio residual: El movimiento generado se evalúa contra los anclajes originales para calcular residuos. Estos residuos definen qué intervalos temporales requieren corrección y la intensidad de dicha corrección.
• Optimización de soft-token: RouteSolver optimiza una variable continua de soft-token ($u$) en el espacio de incrustación VQ. El objetivo minimiza el error de anclaje, la suavidad y una penalización de región de confianza para mantenerse cerca de la generación inicial.
• Proyección enrutada por intervalos: Las actualizaciones crudas del optimizador se proyectan sobre una base de intervalos afines por partes definida por las marcas de tiempo de los anclajes. Crucialmente, la proyección se pondera por actividades residuales: los intervalos con errores de anclaje más grandes reciben más capacidad de corrección, mientras que aquellos con errores pequeños se suprimen suavemente. Esto asegura que las correcciones se enruten con precisión donde se necesitan, manteniendo la coherencia.

Contribuciones Clave

1. Andamio de Anclaje: Una estructura de control unificada que define tanto la memoria de condición en tiempo de generación como los espacios de actualización de intervalos en tiempo de refinamiento utilizando las mismas entradas de anclaje disperso.
2. Marco AnchorRoute: Un sistema de síntesis con anclaje disperso que preserva un prior TMD congelado mientras aprende una ruta de condicionamiento ligera basada en AnchorKV con separación de doble contexto.
3. RouteSolver: Un módulo de refinamiento post-generación que enruta actualizaciones de soft-token a través de intervalos afines por partes definidos por anclajes, guiado por actividades residuales para equilibrar la calidad del movimiento y la adhesión a los anclajes.

Resultados Experimentales

Evaluado en el conjunto de datos HumanML3D, AnchorRoute demuestra un rendimiento superior en tareas de control disperso:

• Comparación de referencia: Bajo el protocolo de seis puntos de SFControl, AnchorRoute con RouteSolver (RS200) logra un Error de Control de 0.019, superando significativamente al estado del arte previo SFControl (0.036). También mejora el FID (0.115 frente a 0.224) y la Precisión R Top-3 (0.792 frente a 0.673).
• Familias de control: El marco admite el control Root-3D, Planar-root y Body-point dentro de la misma formulación. En todas las familias, aumentar los pasos de refinamiento (de RS100 a RS500) reduce progresivamente el Error de Control mientras mantiene un compromiso controlable con la calidad del movimiento (FID y Precisión R).
• Estudios de ablación:
  • Generación: El enfoque AnchorKV (1.2M de parámetros entrenables) supera significativamente a las líneas base de Atención Cruzada y ControlNet tanto en Error de Control como en alineación semántica.
  • Refinamiento: El uso de RouteSolver de enrutamiento de actividad residual y bases afines por partes produce mejores compensaciones calidad-control en comparación con el refinamiento simple de soft-token o las actualizaciones de intervalos uniformes.
• Eficiencia: La configuración predeterminada RS200 añade aproximadamente 0.093 segundos por muestra, ofreciendo un equilibrio práctico entre adhesión y costo de inferencia.

Significado y Afirmaciones

El artículo afirma que AnchorRoute desacopla con éxito la preservación de la calidad texto-movimiento de la imposición de restricciones espaciales dispersas. Al utilizar un prior congelado para la generación y un refinamiento aprendido y enrutado residualmente para la corrección, el sistema logra una relación complementaria: el generador mantiene la semántica de movimiento de alta fidelidad, mientras que RouteSolver proporciona un camino controlable hacia una mayor adhesión a los anclajes. El trabajo establece que los anclajes dispersos pueden estructurar efectivamente tanto las fases de condicionamiento como de corrección de la síntesis de movimiento, ofreciendo una solución unificada para diversas familias de control (trayectorias de raíz, caminos planares y puntos corporativos) sin comprometer el prior generativo subyacente.

Limitaciones: Los autores señalan que RouteSolver depende actualmente principalmente de residuos posicionales. El trabajo futuro podría extender el andamio residual para incluir pistas tangenciales u de orientación para un refinamiento consciente de la dirección.