論文の概要: Can We Use Diffusion Probabilistic Models for 3D Motion Prediction?

• arxiv url: http://arxiv.org/abs/2302.14503v1
• Date: Tue, 28 Feb 2023 11:34:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-01 16:53:52.694667
• Title: Can We Use Diffusion Probabilistic Models for 3D Motion Prediction?
• Title（参考訳）: 拡散確率モデルによる3次元運動予測は可能か?
• Authors: Hyemin Ahn, Esteve Valls Mascaro, Dongheui Lee
• Abstract要約: 本稿では, 拡散確率モデルを用いて, 先述の動作から将来の3次元人間の動きを予測することを提案する。 我々は,Human 3.6MとHumanEva-Iデータセットに基づいて,拡散確率モデルが単一(決定論的)かつ複数(確率的)な3次元動作予測タスクと競合することを示す。
• 参考スコア（独自算出の注目度）: 10.808563617061846
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: After many researchers observed fruitfulness from the recent diffusion probabilistic model, its effectiveness in image generation is actively studied these days. In this paper, our objective is to evaluate the potential of diffusion probabilistic models for 3D human motion-related tasks. To this end, this paper presents a study of employing diffusion probabilistic models to predict future 3D human motion(s) from the previously observed motion. Based on the Human 3.6M and HumanEva-I datasets, our results show that diffusion probabilistic models are competitive for both single (deterministic) and multiple (stochastic) 3D motion prediction tasks, after finishing a single training process. In addition, we find out that diffusion probabilistic models can offer an attractive compromise, since they can strike the right balance between the likelihood and diversity of the predicted future motions. Our code is publicly available on the project website: https://sites.google.com/view/diffusion-motion-prediction.
• Abstract（参考訳）: 最近の拡散確率モデルから多くの研究者が実りを観察した後、画像生成におけるその効果は近年活発に研究されている。 本稿では,3次元動作関連課題に対する拡散確率モデルの可能性を評価することを目的とする。 そこで本研究では, 拡散確率モデルを用いて, 前回観測した動きから将来の3次元人間の動きを予測する手法を提案する。 我々は,Human 3.6MとHumanEva-Iデータセットに基づいて,拡散確率モデルが単一(決定論的)かつ複数(確率的)な3次元動作予測タスクに対して,単一のトレーニングプロセス終了後に競合することを示した。 さらに,拡散確率モデルが,予測される将来の動きの確率と多様性の適切なバランスをとることができるため,魅力的な妥協をもたらすことが判明した。 私たちのコードはプロジェクトのWebサイト(https://sites.google.com/view/diffusion-motion-prediction)で公開されています。

関連論文リスト

• DiffHPE: Robust, Coherent 3D Human Pose Lifting with Diffusion [54.0238087499699]
  拡散モデルにより,人間のポーズ推定精度,ロバスト性,コヒーレンス性が向上することを示す。 3D-HPEにおける拡散モデルを利用する新しい戦略であるDiffHPEを紹介する。 以上の結果から, 独立拡散モデルにより, 予測可能な性能が得られる一方で, 教師付きモデルと組み合わせて精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2023-09-04T12:54:10Z)
• TransFusion: A Practical and Effective Transformer-based Diffusion Model for 3D Human Motion Prediction [1.8923948104852863]
  本研究では,3次元動作予測のための革新的で実用的な拡散モデルであるTransFusionを提案する。 我々のモデルは、浅い層と深い層の間の長いスキップ接続を持つバックボーンとしてTransformerを活用している。 クロスアテンションや適応層正規化のような余分なモジュールを利用する従来の拡散モデルとは対照的に、条件を含む全ての入力をトークンとして扱い、より軽量なモデルを作成する。
  論文  参考訳（メタデータ） (2023-07-30T01:52:07Z)
• Human Joint Kinematics Diffusion-Refinement for Stochastic Motion Prediction [22.354538952573158]
  MotionDiffは、人間の関節のキネマティクスを加熱粒子として扱う拡散確率モデルである。 MotionDiffは、多種多様な可塑性運動を生成する空間時間変換器ベースの拡散ネットワークと、出力をさらに洗練するためのグラフ畳み込みネットワークの2つの部分で構成されている。
  論文  参考訳（メタデータ） (2022-10-12T07:38:33Z)
• A generic diffusion-based approach for 3D human pose prediction in the wild [68.00961210467479]
  3D人間のポーズ予測、すなわち、過去の観察されたポーズのシーケンスが与えられた後の人間の3Dポーズのシーケンスを予測することは、困難な時間課題である。 本稿では,不完全な要素(予測や観測に関係しない)をノイズとして扱える統一的な定式化法を提案し,それらを認知し,妥当なポーズを予測する条件拡散モデルを提案する。 本研究は,4つの標準データセットについて検討し,現状よりも大幅に改善された。
  論文  参考訳（メタデータ） (2022-10-11T17:59:54Z)
• DMMGAN: Diverse Multi Motion Prediction of 3D Human Joints using Attention-Based Generative Adverserial Network [9.247294820004143]
  本稿では,多種多様な人間の動きを予測するためのトランスフォーマーに基づく生成モデルを提案する。 本モデルでは、まず、股関節に対する身体の姿勢を予測し、次に、textitHip予測モジュールが、予測された各ポーズフレームに対する股関節運動の軌跡を予測する。 本研究では,ヒトの動作予測において,股関節運動を伴う多動将来の軌跡を予測しながら,最先端の動作予測に優れることを示す。
  論文  参考訳（メタデータ） (2022-09-13T23:22:33Z)
• Learning to Predict Diverse Human Motions from a Single Image via Mixture Density Networks [9.06677862854201]
  本研究では,混合密度ネットワーク(MDN)モデルを用いて,単一画像から将来の人間の動きを予測する新しい手法を提案する。 MDNのマルチモーダルな性質は、既存のディープヒューマンモーション予測アプローチとは対照的に、様々な将来のモーション仮説の生成を可能にしている。 訓練されたモデルでは、入力として画像を直接取り、与えられた条件を満たす複数の可視運動を生成する。
  論文  参考訳（メタデータ） (2021-09-13T08:49:33Z)
• Probabilistic Modeling for Human Mesh Recovery [73.11532990173441]
  本稿では,2次元の証拠から3次元の人体復元の問題に焦点を当てた。 我々は,この問題を,入力から3Dポーズの分布へのマッピング学習として再考した。
  論文  参考訳（メタデータ） (2021-08-26T17:55:11Z)
• Probabilistic Human Motion Prediction via A Bayesian Neural Network [71.16277790708529]
  本稿では,人間の動作予測のための確率モデルを提案する。 我々のモデルは、観測された動きシーケンスが与えられたときに、いくつかの将来の動きを生成することができる。 我々は、大規模ベンチマークデータセットHuman3.6mに対して、我々のアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2021-07-14T09:05:33Z)
• Multi-level Motion Attention for Human Motion Prediction [132.29963836262394]
  本研究は, 関節, 身体部分, フルポーズレベルなど, 異なる種類の注意力の使用について検討した。 我々は,Human3.6M,AMASS,3DPWを用いて,周期的および非周期的両方の行動に対するアプローチの利点を検証した。
  論文  参考訳（メタデータ） (2021-06-17T08:08:11Z)
• 3D Human motion anticipation and classification [8.069283749930594]
  人間の動き予測と特徴学習のための新しいシーケンス・トゥ・シークエンスモデルを提案する。 我々のモデルは、同じ入力シーケンスから複数の人間のポーズの将来のシーケンスを予測することを学習する。 識別器から学習した特徴を用いて,行動認識ネットワークを訓練するには,エポック数の半分以下しかかからないことを示す。
  論文  参考訳（メタデータ） (2020-12-31T00:19:39Z)
• Adversarial Generative Grammars for Human Activity Prediction [141.43526239537502]
  将来予測のための逆生成文法モデルを提案する。 私たちの文法は、データ分散から生産ルールを学習できるように設計されています。 推論中に複数の生産ルールを選択することができると、予測される結果が異なる。
  論文  参考訳（メタデータ） (2020-08-11T17:47:53Z)

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。