Fugu-MT 論文翻訳(概要): BaRe-ESA: A Riemannian Framework for Unregistered Human Body Shapes

論文の概要: BaRe-ESA: A Riemannian Framework for Unregistered Human Body Shapes

arxiv url: http://arxiv.org/abs/2211.13185v3
Date: Mon, 21 Aug 2023 21:20:07 GMT
ステータス: 処理完了
システム内更新日: 2023-08-23 21:33:40.501940
Title: BaRe-ESA: A Riemannian Framework for Unregistered Human Body Shapes
Title（参考訳）: BaRe-ESA: 登録されていない人体形状のためのリーマン的フレームワーク
Authors: Emmanuel Hartman, Emery Pierson, Martin Bauer, Nicolas Charon, Mohamed Daoudi
Abstract要約: BaRe-ESAは人体スキャン表現、外挿、外挿のための新しいフレームワークである。 BaRe-ESAは、事前のポイント対ポイント対応を確立することなく、登録されていないメッシュ上で直接動作する。
参考スコア（独自算出の注目度）: 10.543359560247847
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present Basis Restricted Elastic Shape Analysis (BaRe-ESA), a novel Riemannian framework for human body scan representation, interpolation and extrapolation. BaRe-ESA operates directly on unregistered meshes, i.e., without the need to establish prior point to point correspondences or to assume a consistent mesh structure. Our method relies on a latent space representation, which is equipped with a Riemannian (non-Euclidean) metric associated to an invariant higher-order metric on the space of surfaces. Experimental results on the FAUST and DFAUST datasets show that BaRe-ESA brings significant improvements with respect to previous solutions in terms of shape registration, interpolation and extrapolation. The efficiency and strength of our model is further demonstrated in applications such as motion transfer and random generation of body shape and pose.
Abstract（参考訳）: 本研究では,人体スキャン表現,補間,外挿のための新しいリーマン的フレームワークBasis Restricted Elastic Shape Analysis(BaRe-ESA)を提案する。 bare-esaは、未登録のメッシュ、すなわち、事前のポイントからポイント対応、あるいは一貫性のあるメッシュ構造を前提として、直接動作する。この方法は、曲面の空間上の不変高階計量に付随するリーマン計量(非ユークリッド)を備える潜在空間表現に依存する。 FAUSTおよびDFAUSTデータセットの実験結果から、BaRe-ESAは、形状登録、補間、外挿の点で、以前のソリューションに関して大幅に改善されている。モデルの有効性と強度は, 動き伝達やランダムな身体形状の生成, ポーズなどの応用でさらに実証される。

関連論文リスト

Score-based pullback Riemannian geometry [10.649159213723106]
本稿では,データ駆動型リーマン幾何学のフレームワークを提案する。データサポートを通して高品質な測地学を作成し、データ多様体の固有次元を確実に推定する。我々のフレームワークは、訓練中に等方性正規化を採用することで、自然に異方性正規化フローで使用することができる。
論文参考訳（メタデータ） (2024-10-02T18:52:12Z)
NRDF: Neural Riemannian Distance Fields for Learning Articulated Pose Priors [43.63496073554301]
本稿では、可塑性調音空間をモデル化したデータ駆動型先行処理であるNRDF(Neuralian Distance Fields)を紹介する。 NRDFsを正の例のみにトレーニングするために,測地線距離が所望の分布に従うことを保証する新しいサンプリングアルゴリズムを導入する。次に、任意のランダムなポーズをアダプティブステップのリーマン多様体によってレベルセットにマッピングする射影アルゴリズムを考案し、合同回転の積多様体に付着する。我々は、さまざまな下流タスク、すなわち、ポーズ生成、画像に基づくポーズ推定、逆運動学の解法において、NRDFの他のポーズ前処理に対する包括的評価を行う。
論文参考訳（メタデータ） (2024-03-05T17:07:29Z)
Basis restricted elastic shape analysis on the space of unregistered surfaces [10.543359560247847]
本稿では,表面解析のための新しい数学的および数値的枠組みを提案する。私たちが開発しているアプローチの特異性は、許容変換の空間を変形場の予め定義された有限次元基底に制限することである。我々は、人体形状やポーズデータ、人間の顔スキャンに対するアプローチを具体的に検証し、形状登録、移動移動、ランダムポーズ生成といった問題に対して、一般的に最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2023-11-07T23:06:22Z)
Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文参考訳（メタデータ） (2023-07-11T16:51:38Z)
Curvature-Independent Last-Iterate Convergence for Games on Riemannian Manifolds [77.4346324549323]
本研究では, 多様体の曲率に依存しないステップサイズが, 曲率非依存かつ直線的最終点収束率を達成することを示す。我々の知る限りでは、曲率非依存率や/または最終点収束の可能性はこれまでに検討されていない。
論文参考訳（メタデータ） (2023-06-29T01:20:44Z)
Riemannian Diffusion Schr\"odinger Bridge [56.20669989459281]
拡散モデルのサンプリングを高速化するために,emphRiemannian Diffusion Schr"odinger Bridgeを導入する。提案手法は, 合成データと実際の地球・気候データについて検証する。
論文参考訳（メタデータ） (2022-07-07T00:35:04Z)
Visualizing Riemannian data with Rie-SNE [0.0]
古典的な近傍埋め込みアルゴリズムを一般リーマン多様体のデータに拡張する。標準的な仮定をリーマン拡散式に置き換え、効率的な近似を提案する。このアプローチは、例えば高次元球面から低次元球面へのような、ある多様体から別の多様体へのデータのマッピングを可能にする。
論文参考訳（メタデータ） (2022-03-17T11:21:44Z)
A prior-based approximate latent Riemannian metric [3.716965622352967]
本研究では,単純かつ効率的かつ堅牢な生成モデルの潜在空間におけるサーロゲート共形生成メトリックを提案する。提案する計量の挙動を理論的に解析し,実際に使用することは理にかなっていることを示す。また,提案手法を生命科学におけるデータ分析に適用する可能性を示す。
論文参考訳（メタデータ） (2021-03-09T08:31:52Z)
GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文参考訳（メタデータ） (2021-02-22T19:42:40Z)
Bayesian Quadrature on Riemannian Data Manifolds [79.71142807798284]
データに固有の非線形幾何学構造をモデル化する原則的な方法が提供される。しかし、これらの演算は通常計算的に要求される。特に、正規法則上の積分を数値計算するためにベイズ二次(bq)に焦点を当てる。先行知識と活発な探索手法を両立させることで,BQは必要な評価回数を大幅に削減できることを示す。
論文参考訳（メタデータ） (2021-02-12T17:38:04Z)
On the minmax regret for statistical manifolds: the role of curvature [68.8204255655161]
2つの部分のコードと最小記述長は、最高のモデルを選別するための手順を提供するのに成功している。我々は、フィッシャー情報計量のスカラー曲率が支配的な役割を果たす複雑さによって与えられる標準表現よりも、よりシャープな表現を導出する。
論文参考訳（メタデータ） (2020-07-06T17:28:19Z)

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。