본 논문은 텍스트 기반 모션 생성에서 뼈대 관절, 시간 프레임, 텍스트 단어 간의 복잡한 상호 관계를 명시적으로 포착하는 새로운 모델인 Skeleton-Aware Latent Diffusion (SALAD)를 제안합니다. 기존 방법들이 각 모달리티 내 정보와 상호작용을 완전히 포착하는 데 한계를 보이는 것과 달리, SALAD는 이러한 관계를 효과적으로 모델링합니다. 더 나아가, 생성 과정에서 생성된 cross-attention map을 활용하여 사전 훈련된 SALAD 모델을 이용한 attention-based zero-shot 텍스트 기반 모션 편집을 가능하게 합니다. 추가적인 사용자 입력 없이 텍스트 프롬프트만으로 편집이 가능하며, 텍스트-모션 정합성을 크게 향상시키면서 생성 품질을 유지합니다.
