論文の概要: Physical Interaction: Reconstructing Hand-object Interactions with Physics

• arxiv url: http://arxiv.org/abs/2209.10833v1
• Date: Thu, 22 Sep 2022 07:41:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 13:33:54.950354
• Title: Physical Interaction: Reconstructing Hand-object Interactions with Physics
• Title（参考訳）: 物理インタラクション:物理によるハンドオブジェクトインタラクションの再構築
• Authors: Haoyu Hu, Xinyu Yi, Hao Zhang, Jun-Hai Yong, Feng Xu
• Abstract要約: 本稿では, 復元のあいまいさを解消する物理に基づく手法を提案する。 まず、手動物体の力に基づく動的モデルを提案し、これは観測されていない接触を回復し、また可塑性接触力の解法である。 実験により,提案手法は物理的に可塑性とより正確な手-物体相互作用の両方を再構成することを示した。
• 参考スコア（独自算出の注目度）: 17.90852804328213
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Single view-based reconstruction of hand-object interaction is challenging due to the severe observation missing caused by occlusions. This paper proposes a physics-based method to better solve the ambiguities in the reconstruction. It first proposes a force-based dynamic model of the in-hand object, which not only recovers the unobserved contacts but also solves for plausible contact forces. Next, a confidence-based slide prevention scheme is proposed, which combines both the kinematic confidences and the contact forces to jointly model static and sliding contact motion. Qualitative and quantitative experiments show that the proposed technique reconstructs both physically plausible and more accurate hand-object interaction and estimates plausible contact forces in real-time with a single RGBD sensor.
• Abstract（参考訳）: 単一視点による物体間相互作用の再構築は, 閉塞による観察不足により困難である。 本稿では,復元のあいまいさを解消する物理に基づく手法を提案する。 まず、観測されていない接触を回復するだけでなく、妥当な接触力も解決する、手持ち物体の力に基づく動的モデルを提案する。 次に, 動力学的信頼度と接触力とを組み合わせ, 静的およびすべり接触運動の連成モデルとして信頼性に基づくスライド防止手法を提案する。 定性的および定量的実験により、提案手法は物理的に可塑性およびより正確な手-物体の相互作用を再構築し、単一のRGBDセンサでリアルタイムに可塑性接触力を推定することを示した。

関連論文リスト

• Dynamic Reconstruction of Hand-Object Interaction with Distributed Force-aware Contact Representation [52.36691633451968]
  ViTaM-Dは動的手動物体相互作用再構成のための視覚触覚フレームワークである。 DF-Fieldは分散力認識型接触表現モデルである。 剛性および変形性のある物体再構成におけるViTaM-Dの優れた性能について検討した。
  論文  参考訳（メタデータ） (2024-11-14T16:29:45Z)
• Physics-aware Hand-object Interaction Denoising [21.3448097349759]
  身体的妥当性の2つの重要な側面を明示的に把握する2つの学習的損失項を導入する。 これらの用語は、物理的に認識されたノイズ除去ネットワークのトレーニングに使用される。 提案手法は,現在最先端の非雑音化手法を超越して,細粒度と全体的なポーズ精度の両方を著しく向上させる。
  論文  参考訳（メタデータ） (2024-05-19T08:24:34Z)
• Hand-Object Interaction Controller (HOIC): Deep Reinforcement Learning for Reconstructing Interactions with Physics [12.443255379595278]
  我々は,1台のRGBDカメラによる手操作動作を,新しい深部強化学習法により再構成する。 本稿では,ネットワークトレーニングをより安定させるために,直接オブジェクト制御を確立するオブジェクト補償制御を提案する。 補償力とトルクを利用して、簡単な点接触モデルをより物理的に解明可能な面接触モデルにシームレスにアップグレードする。
  論文  参考訳（メタデータ） (2024-05-04T14:32:13Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Exploiting Spatial-Temporal Context for Interacting Hand Reconstruction on Monocular RGB Video [104.69686024776396]
  モノラルなRGBデータからインタラクションハンドを再構築することは、多くの干渉要因が伴うため、難しい作業である。 これまでの作業は、物理的に妥当な関係をモデル化することなく、単一のRGBイメージからの情報のみを活用する。 本研究は, 空間的時間的情報を明示的に活用し, より優れた対話的手指再建を実現することを目的としている。
  論文  参考訳（メタデータ） (2023-08-08T06:16:37Z)
• Stability-driven Contact Reconstruction From Monocular Color Images [7.427212296770506]
  物理的接触は、手動状態の復元にさらなる制約を与える。 既存の手法では、接触ラベル付きデータセットから距離閾値または事前に駆動される手動接触を最適化する。 我々のキーとなる考え方は、単分子画像から直接接触パターンを再構築し、シミュレーションの物理的安定性基準を利用して最適化することである。
  論文  参考訳（メタデータ） (2022-05-02T12:23:06Z)
• Contact-Aware Retargeting of Skinned Motion [49.71236739408685]
  本稿では,自己接触を保存し,相互接続を防止する動作推定手法を提案する。 入力運動における自己接触と接地を同定し、出力骨格に適用するための動作を最適化する。 実験では,従来の手法を定量的に上回り,近年の成果よりも高い品質で再ターゲットされた動きを評価できるユーザスタディを実施している。
  論文  参考訳（メタデータ） (2021-09-15T17:05:02Z)
• Physically Plausible Pose Refinement using Fully Differentiable Forces [68.8204255655161]
  対象物が経験する力を学習することでポーズ推定を精緻化するエンドツーエンドの差別化モデルを提案する。 学習されたネット力と有限位置差に基づくネット力の推定とをマッチングすることにより、このモデルは物体の動きを正確に記述する力を見つけることができる。 rgbや深度画像のデータを使わずに、このモデルがポーズの修正に成功し、接点マップが地面の真実に合致することを示す。
  論文  参考訳（メタデータ） (2021-05-17T23:33:04Z)

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。