論文の概要: Learning pose variations within shape population by constrained mixtures
of factor analyzers
- arxiv url: http://arxiv.org/abs/2006.04171v1
- Date: Sun, 7 Jun 2020 15:06:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 07:20:11.716365
- Title: Learning pose variations within shape population by constrained mixtures
of factor analyzers
- Title（参考訳）: 因子分析器の制約混合による形状集団内の学習ポーズ変動
- Authors: Xilu Wang
- Abstract要約: 人口の形状変動のマイニングと学習は、パラメトリック形状モデリング、3Dアニメーション、画像セグメント化などの応用の恩恵を受けている。
本稿では、ポーズ学習問題を因子分析器の混合として定式化する。
提案手法に基づいて,所定の形状の個体群からポーズのバリエーションを自動的に学習する。
- 参考スコア（独自算出の注目度）: 0.6853165736531939
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mining and learning the shape variability of underlying population has
benefited the applications including parametric shape modeling, 3D animation,
and image segmentation. The current statistical shape modeling method works
well on learning unstructured shape variations without obvious pose changes
(relative rotations of the body parts). Studying the pose variations within a
shape population involves segmenting the shapes into different articulated
parts and learning the transformations of the segmented parts. This paper
formulates the pose learning problem as mixtures of factor analyzers. The
segmentation is obtained by components posterior probabilities and the
rotations in pose variations are learned by the factor loading matrices. To
guarantee that the factor loading matrices are composed by rotation matrices,
constraints are imposed and the corresponding closed form optimal solution is
derived. Based on the proposed method, the pose variations are automatically
learned from the given shape populations. The method is applied in motion
animation where new poses are generated by interpolating the existing poses in
the training set. The obtained results are smooth and realistic.
- Abstract（参考訳）: 人口の形状変動のマイニングと学習は、パラメトリック形状モデリング、3Dアニメーション、画像セグメント化などの応用の恩恵を受けている。
現在の統計形状モデリング手法は、明らかなポーズ変化(身体部位の相対的な回転)を伴わずに、非構造化形状変化の学習に有効である。
形状集団内のポーズの変化を研究するには、形状を異なる明瞭な部分に分割し、セグメント化された部分の変換を学ぶ必要がある。
本稿では,ポーズ学習問題を因子分析器の混合物として定式化する。
セグメンテーションは後確率成分によって得られ、ポーズ変動の回転は因子負荷行列によって学習される。
因子負荷行列が回転行列によって構成されることを保証するため、制約を課し、対応する閉形最適解を導出する。
提案手法に基づいて,所定の形状の個体群からポーズのバリエーションを自動的に学習する。
この方法は、トレーニングセット内の既存のポーズを補間して新たなポーズが生成されるモーションアニメーションに適用される。
得られた結果はスムーズでリアルです。
関連論文リスト
- ShapeBoost: Boosting Human Shape Estimation with Part-Based
Parameterization and Clothing-Preserving Augmentation [58.50613393500561]
本研究では,新しい形状復元フレームワークであるShapeBoostを提案する。
稀な体型であってもピクセルレベルのアライメントを実現し、異なるタイプの服を着ている人には高い精度が期待できる。
論文 参考訳（メタデータ） (2024-03-02T23:40:23Z) - Mesh2SSM: From Surface Meshes to Statistical Shape Models of Anatomy [0.0]
我々は、教師なしの置換不変表現学習を利用して、テンプレートポイントクラウドを主題固有のメッシュに変形する方法を推定する新しいアプローチであるMesh2SSMを提案する。
Mesh2SSMは集団固有のテンプレートも学習でき、テンプレート選択によるバイアスを低減できる。
論文 参考訳（メタデータ） (2023-05-13T00:03:59Z) - Landmark-free Statistical Shape Modeling via Neural Flow Deformations [0.5897108307012394]
本稿では,トレーニングインスタンス間の密接な対応を必要とせず,形状変化を学習する新しい形状モデリング手法であるFlowSSMを提案する。
当モデルでは, 遠位端大腿骨・肝臓に先立って, 表現的かつ頑健な形状を提供することで, 最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2022-09-14T18:17:19Z) - Dynamic multi feature-class Gaussian process models [0.0]
本研究では, 医用画像における形状, ポーズ, 強度特徴の自動学習のための統計的モデリング手法を提案する。
DMFC-GPM (DMFC-GPM) はガウス過程(GP)に基づくモデルであり、線形および非線形の変動を符号化する潜在空間を共有する。
モデル性能の結果は、この新しいモデリングパラダイムが堅牢で、正確で、アクセス可能であり、潜在的な応用があることを示唆している。
論文 参考訳（メタデータ） (2021-12-08T15:12:47Z) - Identity-Disentangled Neural Deformation Model for Dynamic Meshes [8.826835863410109]
我々は、暗黙の神経機能を用いたポーズ依存的な変形から、同一性によって引き起こされる形状変化を歪曲する神経変形モデルを学ぶ。
本稿では,大域的ポーズアライメントとニューラル変形モデルを統合する2つの手法を提案する。
また, 固定テンプレートの制約を伴わずにヤシの印刷や腱などの表面の細部を再構築する際に, 従来の骨格駆動モデルよりも優れていた。
論文 参考訳（メタデータ） (2021-09-30T17:43:06Z) - SNARF: Differentiable Forward Skinning for Animating Non-Rigid Neural
Implicit Shapes [117.76767853430243]
SNARFは多角形メッシュに対する線形ブレンドスキンの利点とニューラル暗黙表面の利点を組み合わせたものである。
反復ルート探索を用いて任意の変形点のすべての正準対応を探索するフォワードスキンモデルを提案する。
最先端のニューラルネットワークの暗黙的表現と比較すると,このアプローチは,精度を維持しつつ,未認識のポーズを一般化する。
論文 参考訳（メタデータ） (2021-04-08T17:54:59Z) - Disentangling Geometric Deformation Spaces in Generative Latent Shape
Models [5.582957809895198]
3Dオブジェクトの完全な表現には、解釈可能な方法で変形の空間を特徴づける必要がある。
本研究では,物体形状の空間を剛性方向,非剛性ポーズ,内在的な形状に分解する3次元形状の不整合の事前生成モデルを改善する。
得られたモデルは生の3D形状からトレーニングできる。
論文 参考訳（メタデータ） (2021-02-27T06:54:31Z) - ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。
複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
論文 参考訳（メタデータ） (2021-02-16T04:07:13Z) - Multiscale Mesh Deformation Component Analysis with Attention-based
Autoencoders [49.62443496989065]
重み付けされたアテンションベースオートエンコーダを用いて, マルチスケール変形成分を精度良く自動生成する手法を提案する。
このアテンション機構は、アクティブな変形領域において、軟弱なマルチスケール変形成分を学習するように設計されている。
提案手法では,新しい形状の効果的なモデリングを容易にするために,粗い形状で形状を編集することができる。
論文 参考訳（メタデータ） (2020-12-04T08:30:57Z) - Unsupervised Shape and Pose Disentanglement for 3D Meshes [49.431680543840706]
本研究では,非教師付き環境において,非教師付き形状とポーズ表現を学習するための,シンプルで効果的なアプローチを提案する。
自己整合性と相互整合性の制約を組み合わせて、登録メッシュからポーズと空間の形状を学ぶ。
ポーズ転送や形状検索などのタスクを通じて,学習した表現の有用性を示す。
論文 参考訳（メタデータ） (2020-07-22T11:00:27Z) - Monocular Human Pose and Shape Reconstruction using Part Differentiable
Rendering [53.16864661460889]
近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。
本稿では,ボディセグメンテーションを重要な監視対象として紹介する。
部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
論文 参考訳（メタデータ） (2020-03-24T14:25:46Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。