論文の概要: OSSO: Obtaining Skeletal Shape from Outside

• arxiv url: http://arxiv.org/abs/2204.10129v1
• Date: Thu, 21 Apr 2022 14:33:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-22 13:50:21.057014
• Title: OSSO: Obtaining Skeletal Shape from Outside
• Title（参考訳）: OSSO:外部からの骨格形状の確認
• Authors: Marilyn Keller, Silvia Zuffi, Michael J. Black and Sergi Pujades
• Abstract要約: OSSO(Obtaining Skeletal Shape from Outside)は、実データから3次元体表面から内部骨格へのマッピングを初めて学習する。 そこで本研究では,体表面を捉えるためにパラメトリックな3次元体形モデル (STAR) と,骨を捉えるために新しい部分ベースの3次元骨格モデルを構築した。 次に、身体形状パラメータから骨格形状パラメータへ回帰器を訓練し、身体的妥当性の制約を満たすために骨格を洗練させる。
• 参考スコア（独自算出の注目度）: 50.47978215230605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address the problem of inferring the anatomic skeleton of a person, in an arbitrary pose, from the 3D surface of the body; i.e. we predict the inside (bones) from the outside (skin). This has many applications in medicine and biomechanics. Existing state-of-the-art biomechanical skeletons are detailed but do not easily generalize to new subjects. Additionally, computer vision and graphics methods that predict skeletons are typically heuristic, not learned from data, do not leverage the full 3D body surface, and are not validated against ground truth. To our knowledge, our system, called OSSO (Obtaining Skeletal Shape from Outside), is the first to learn the mapping from the 3D body surface to the internal skeleton from real data. We do so using 1000 male and 1000 female dual-energy X-ray absorptiometry (DXA) scans. To these, we fit a parametric 3D body shape model (STAR) to capture the body surface and a novel part-based 3D skeleton model to capture the bones. This provides inside/outside training pairs. We model the statistical variation of full skeletons using PCA in a pose-normalized space. We then train a regressor from body shape parameters to skeleton shape parameters and refine the skeleton to satisfy constraints on physical plausibility. Given an arbitrary 3D body shape and pose, OSSO predicts a realistic skeleton inside. In contrast to previous work, we evaluate the accuracy of the skeleton shape quantitatively on held-out DXA scans, outperforming the state-of-the-art. We also show 3D skeleton prediction from varied and challenging 3D bodies. The code to infer a skeleton from a body shape is available for research at https://osso.is.tue.mpg.de/, and the dataset of paired outer surface (skin) and skeleton (bone) meshes is available as a Biobank Returned Dataset. This research has been conducted using the UK Biobank Resource.
• Abstract（参考訳）: 我々は、人体の3d表面から、任意の姿勢で、人の解剖学的骨格を推測する問題、すなわち、外側から内側(骨)を予測する問題(皮膚)に対処する。 これは医学やバイオメカニクスに多くの応用がある。 既存の最先端のバイオメカニカルスケルトンは詳細であるが、新しい科目への一般化は容易ではない。 さらに、骨格を予測するコンピュータビジョンとグラフィックスの手法は、典型的にはヒューリスティックであり、データから学ばず、完全な3Dボディサーフェスを活用せず、地上の真実に対して検証されない。 私たちの知る限りでは、osso(外部からの骨格形状の取得)と呼ばれるシステムは、実データから3dボディ表面から内部骨格へのマッピングを最初に学んだシステムです。 dxa(d-ray absorptiometry)スキャンは男性1000人、女性1000人を対象に行います。 これらに対して,体表面を捉えるためにパラメトリック3dボディシェイプモデル(star)と,骨を捉えるための新しい部分ベースの3dスケルトンモデルに適合する。 これは内外のトレーニングペアを提供する。 ポーズ正規化空間におけるPCAを用いた全骨格の統計的変動をモデル化する。 次に,身体形状パラメータから骨格形状パラメータへの回帰器の訓練を行い,身体的可能性の制約を満たすために骨格を洗練する。 任意の3Dボディ形状とポーズを与えられたOSSOは、内部の現実的な骨格を予測する。 従来の研究とは対照的に,ホールドアウトdxaスキャンによる骨格形状の精度を定量的に評価した。 また, 多様な3次元体から3次元骨格予測を行った。 体形から骨格を推測するコードはhttps://osso.is.tue.mpg.de/で研究され、Biobank Returned Datasetとして、対の外部表面(皮膚)と骨格(骨)メッシュのデータセットが利用可能である。 この研究はイギリスのバイオバンク資源を用いて行われている。

関連論文リスト

• TailorMe: Self-Supervised Learning of an Anatomically Constrained Volumetric Human Shape Model [4.474107938692397]
  人間の形状空間は、人間の形状の中核要素であり、推論タスクを装うため、広く研究されている。 骨格骨と軟組織からなる解剖学的テンプレートをCAESARデータベースの表面スキャンに作成する。 このデータは、人文的に制約された容積的人体形状モデルを自己監督的に学習するために使用される。
  論文  参考訳（メタデータ） (2023-11-03T07:42:19Z)
• Cloth2Body: Generating 3D Human Body Mesh from 2D Clothing [54.29207348918216]
  Cloth2Bodyは、入力の部分的な観察と出力の多様性によって引き起こされる新しい課題に対処する必要がある。 本稿では,2次元衣料品画像のポーズと形状によってパラメータ化された3Dボディメッシュを高精度に推定できるエンドツーエンドフレームワークを提案する。 実験結果から示されるように,提案手法は最先端の性能を実現し,自然および多様な3Dボディメッシュを2次元画像から効果的に回収することができる。
  論文  参考訳（メタデータ） (2023-09-28T06:18:38Z)
• Accurate 3D Body Shape Regression using Metric and Semantic Attributes [55.58629009876271]
  画像からの3次元身体形状の回帰は、人文計測や言語的形状特性から訓練できることを示す。 これは、画像から3次元の身体形状の回帰を、容易に測定できる人文計測と言語的形状特性から訓練できる最初の実演である。
  論文  参考訳（メタデータ） (2022-06-14T17:54:49Z)
• Detailed Avatar Recovery from Single Image [50.82102098057822]
  本稿では,単一画像からエンフデテールアバターを回収するための新しい枠組みを提案する。 階層的メッシュ変形フレームワークでは、ディープニューラルネットワークを使用して3次元形状を洗練しています。 本手法は,皮膚モデルを超えて,完全なテクスチャで詳細な人体形状を復元することができる。
  論文  参考訳（メタデータ） (2021-08-06T03:51:26Z)
• Combining Implicit Function Learning and Parametric Models for 3D Human Reconstruction [123.62341095156611]
  深層学習近似として表される暗黙の関数は、3次元曲面の再構成に強力である。 このような機能は、コンピュータグラフィックスとコンピュータビジョンの両方に柔軟なモデルを構築するのに不可欠である。 詳細に富んだ暗黙関数とパラメトリック表現を組み合わせた方法論を提案する。
  論文  参考訳（メタデータ） (2020-07-22T13:46:14Z)
• Anatomy-aware 3D Human Pose Estimation with Bone-based Pose Decomposition [92.99291528676021]
  3次元関節位置を直接回帰するのではなく,骨方向予測と骨長予測に分解する。 私たちのモチベーションは、人間の骨格の骨の長さが時間とともに一定であることにあります。 我々の完全なモデルは、Human3.6MとMPI-INF-3DHPデータセットにおいて、以前の最高の結果よりも優れています。
  論文  参考訳（メタデータ） (2020-02-24T15:49:37Z)
• Estimating and abstracting the 3D structure of bones using neural networks on X-ray (2D) images [0.0]
  骨の3次元構造を2次元X線画像から推定する深層学習法を提案する。 我々の予測では, 平均根平均平方(RMS)距離が1.08mmであり, 他の8つの3次元骨再建法により得られた平均誤差よりも精度が高い。
  論文  参考訳（メタデータ） (2020-01-16T20:41:17Z)

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。