論文の概要: Learning a Generative Motion Model from Image Sequences based on a Latent Motion Matrix

• arxiv url: http://arxiv.org/abs/2011.01741v2
• Date: Sun, 31 Jan 2021 13:26:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 05:19:33.202921
• Title: Learning a Generative Motion Model from Image Sequences based on a Latent Motion Matrix
• Title（参考訳）: 潜在運動行列に基づく画像系列からの生成運動モデル学習
• Authors: Julian Krebs, Herv\'e Delingette, Nicholas Ayache and Tommaso Mansi
• Abstract要約: 画像列の時間的登録をシミュレートして確率的動きモデルを学ぶ。 3つの最先端登録アルゴリズムと比較して,登録精度と時間的にスムーズな整合性が改善された。 また, フレームの欠落のあるシーケンスからの動作再構成を改良し, 動作解析, シミュレーション, 超解像に対するモデルの適用性を実証した。
• 参考スコア（独自算出の注目度）: 8.774604259603302
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose to learn a probabilistic motion model from a sequence of images for spatio-temporal registration. Our model encodes motion in a low-dimensional probabilistic space - the motion matrix - which enables various motion analysis tasks such as simulation and interpolation of realistic motion patterns allowing for faster data acquisition and data augmentation. More precisely, the motion matrix allows to transport the recovered motion from one subject to another simulating for example a pathological motion in a healthy subject without the need for inter-subject registration. The method is based on a conditional latent variable model that is trained using amortized variational inference. This unsupervised generative model follows a novel multivariate Gaussian process prior and is applied within a temporal convolutional network which leads to a diffeomorphic motion model. Temporal consistency and generalizability is further improved by applying a temporal dropout training scheme. Applied to cardiac cine-MRI sequences, we show improved registration accuracy and spatio-temporally smoother deformations compared to three state-of-the-art registration algorithms. Besides, we demonstrate the model's applicability for motion analysis, simulation and super-resolution by an improved motion reconstruction from sequences with missing frames compared to linear and cubic interpolation.
• Abstract（参考訳）: 時空間登録のための画像列から確率的運動モデルを学ぶことを提案する。 我々のモデルは低次元確率空間(動き行列)における動きを符号化し、シミュレーションやリアルな動きパターンの補間といった様々な動作解析タスクを可能にし、より高速なデータ取得とデータ拡張を可能にする。 より正確には、ムーブメントマトリックスは、ある被験者から別の被験者へ、例えば健康な被験者の病理的な動きを、オブジェクト間の登録を必要とせずに、回収された動きを輸送することができる。 この手法は条件付き潜在変数モデルに基づいており、不定形変分推論を用いて訓練される。 この教師なし生成モデルは、新しい多変量ガウス過程に先行し、二相運動モデルにつながる時間的畳み込みネットワーク内で適用される。 テンポラリドロップアウトトレーニングスキームを適用することにより、テンポラリ一貫性と一般化性はさらに向上する。 心血管MRIでは, 3種類の登録アルゴリズムと比較して, 登録精度と時空間のスムーズな変形が改善した。 また, 線形補間や立方体補間と比較して, フレーム欠落列からの運動再構成の改善により, 運動解析, シミュレーション, および超解像に対するモデルの応用性を示す。

関連論文リスト

• Sequential Posterior Sampling with Diffusion Models [15.028061496012924]
  条件付き画像合成における逐次拡散後サンプリングの効率を向上させるため,遷移力学をモデル化する新しい手法を提案する。 本研究では,高フレームレート心エコー画像の現実的データセットに対するアプローチの有効性を実証する。 提案手法は,画像の拡散モデルとリアルタイム推論を必要とする他の領域における拡散モデルのリアルタイム適用の可能性を開く。
  論文  参考訳（メタデータ） (2024-09-09T07:55:59Z)
• Generalizable Implicit Motion Modeling for Video Frame Interpolation [51.966062283735596]
  フローベースビデオフレーム補間(VFI)における動きの重要性 本稿では,動きモデリングVFIの新規かつ効果的なアプローチである一般インプリシット・モーション・モデリング(IMM)を紹介する。 我々のGIMMは、正確にモデル化された動きを供給することによって、既存のフローベースVFIワークと容易に統合できる。
  論文  参考訳（メタデータ） (2024-07-11T17:13:15Z)
• Motion Flow Matching for Human Motion Synthesis and Editing [75.13665467944314]
  本研究では,効率的なサンプリングと効率性を備えた人体運動生成のための新しい生成モデルであるemphMotion Flow Matchingを提案する。 提案手法は, 従来の拡散モデルにおいて, サンプリングの複雑さを1000ステップから10ステップに減らし, テキスト・ツー・モーション・ジェネレーション・ベンチマークやアクション・ツー・モーション・ジェネレーション・ベンチマークで同等の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-14T12:57:35Z)
• Executing your Commands via Motion Diffusion in Latent Space [51.64652463205012]
  本研究では,動作遅延に基づく拡散モデル(MLD)を提案し,条件付き入力に対応する鮮明な動き列を生成する。 我々のMDDは、広範囲な人体運動生成タスクにおいて、最先端の手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-12-08T03:07:00Z)
• JNMR: Joint Non-linear Motion Regression for Video Frame Interpolation [47.123769305867775]
  ビデオフレーム(VFI)は、双方向の歴史的参照から学習可能な動きを歪曲することでフレームを生成することを目的としている。 我々は、フレーム間の複雑な動きをモデル化するために、VFIをJNMR(Joint Non-linear Motion Regression)戦略として再構成する。 その結果, 関節運動の退行性は, 最先端の方法と比較して有意に向上した。
  論文  参考訳（メタデータ） (2022-06-09T02:47:29Z)
• Dynamic imaging using Motion-Compensated SmooThness Regularization on Manifolds (MoCo-SToRM) [19.70386996879205]
  高分解能自由呼吸性肺MRIのための教師なし運動補償再建法を提案する。 時系列画像フレームを3Dテンプレート画像ボリュームの変形版としてモデル化する。 変形写像は高次元空間の滑らかな多様体上の点であると仮定する。
  論文  参考訳（メタデータ） (2021-12-06T22:04:57Z)
• Dynamic imaging using motion-compensated smoothness regularization on manifolds (MoCo-SToRM) [23.093076134206513]
  運動補償動的MRIのための教師なし深部多様体学習アルゴリズムを提案する。 このアルゴリズムの有用性は、運動補償高分解能肺MRIの文脈で示される。
  論文  参考訳（メタデータ） (2021-11-21T19:52:01Z)
• Conditional Temporal Variational AutoEncoder for Action Video Prediction [66.63038712306606]
  ACT-VAEは、単一の入力画像からアクションクリップのポーズシーケンスを予測する。 プラグアンドプレイのP2Iネットワークに接続すると、ACT-VAEは画像シーケンスを合成できる。
  論文  参考訳（メタデータ） (2021-08-12T10:59:23Z)
• HuMoR: 3D Human Motion Model for Robust Pose Estimation [100.55369985297797]
  HuMoRは、時間的ポーズと形状のロバスト推定のための3Dヒューマンモーションモデルです。 モーションシーケンスの各ステップにおけるポーズの変化の分布を学習する条件付き変分オートエンコーダについて紹介する。 本モデルが大規模モーションキャプチャーデータセットのトレーニング後に多様な動きや体型に一般化することを示す。
  論文  参考訳（メタデータ） (2021-05-10T21:04:55Z)
• Graph-based Normalizing Flow for Human Motion Generation and Reconstruction [20.454140530081183]
  過去の情報と制御信号に基づく長地平線運動系列を合成・再構築する確率生成モデルを提案する。 足踏み解析と骨長解析を併用したモーションキャプチャデータセットを用いたモデル評価を行った。
  論文  参考訳（メタデータ） (2021-04-07T09:51:15Z)

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。