Fugu-MT 論文翻訳(概要): GATOR: Graph-Aware Transformer with Motion-Disentangled Regression for Human Mesh Recovery from a 2D Pose

論文の概要: GATOR: Graph-Aware Transformer with Motion-Disentangled Regression for Human Mesh Recovery from a 2D Pose

arxiv url: http://arxiv.org/abs/2303.05652v1
Date: Fri, 10 Mar 2023 02:08:01 GMT
ステータス: 処理完了
システム内更新日: 2023-03-13 16:25:37.676327
Title: GATOR: Graph-Aware Transformer with Motion-Disentangled Regression for Human Mesh Recovery from a 2D Pose
Title（参考訳）: GATOR:2次元空間からの人間のメッシュ回復のための動き分散回帰付きグラフ認識変換器
Authors: Yingxuan You, Hong Liu, Xia Li, Wenhao Li, Ti Wang, Runwei Ding
Abstract要約: 2Dポーズからの3Dヒューマンメッシュのリカバリは、さまざまなアプリケーションにおいて重要な役割を果たす。既存の手法では、スケルトンからメッシュへの進化において、複数の関係を同時に捉えることは困難である。本稿では,グラフ認識変換器(GAT)のエンコーダと,MDR(Motion-Disentangled Regression)を用いたデコーダを含むGATORと呼ばれる新しい手法を提案する。
参考スコア（独自算出の注目度）: 15.699524854176644
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: 3D human mesh recovery from a 2D pose plays an important role in various applications. However, it is hard for existing methods to simultaneously capture the multiple relations during the evolution from skeleton to mesh, including joint-joint, joint-vertex and vertex-vertex relations, which often leads to implausible results. To address this issue, we propose a novel solution, called GATOR, that contains an encoder of Graph-Aware Transformer (GAT) and a decoder with Motion-Disentangled Regression (MDR) to explore these multiple relations. Specifically, GAT combines a GCN and a graph-aware self-attention in parallel to capture physical and hidden joint-joint relations. Furthermore, MDR models joint-vertex and vertex-vertex interactions to explore joint and vertex relations. Based on the clustering characteristics of vertex offset fields, MDR regresses the vertices by composing the predicted base motions. Extensive experiments show that GATOR achieves state-of-the-art performance on two challenging benchmarks.
Abstract（参考訳）: 2次元ポーズからの3次元メッシュリカバリは,様々な応用において重要な役割を果たす。しかし、既存の方法では、結合結合、結合頂点、頂点頂点関係を含む骨格からメッシュへの進化の間に複数の関係を同時に捉えることは困難であり、しばしば不可解な結果をもたらす。この問題に対処するために,グラフ認識変換器(GAT)のエンコーダと,これら複数の関係を探索するためにMDR(Motion-Disentangled Regression)を用いたデコーダを含むGATORと呼ばれる新しいソリューションを提案する。具体的には、GCNとグラフ対応の自己アテンションを並列に組み合わせ、物理的および隠れ結合関係をキャプチャする。さらに、MDRは結合頂点と頂点-頂点相互作用をモデル化し、結合関係と頂点関係を探索する。頂点オフセットフィールドのクラスタリング特性に基づき、mdrは予測された基底運動を合成して頂点を回帰させる。大規模な実験により、GATORは2つの挑戦的なベンチマークで最先端のパフォーマンスを達成した。

関連論文リスト

3D Hand Reconstruction via Aggregating Intra and Inter Graphs Guided by Prior Knowledge for Hand-Object Interaction Scenario [8.364378460776832]
モデルベースおよびモデルフリーアプローチの利点を生かした3次元ハンドリコンストラクションネットワークを提案する。まず,2次元関節から直接のMANOポーズパラメータ回帰モジュールを提案する。
論文参考訳（メタデータ） (2024-03-04T05:11:26Z)
S^2Former-OR: Single-Stage Bi-Modal Transformer for Scene Graph Generation in OR [50.435592120607815]
外科手術のシーングラフ生成(SGG)は、手術室(OR)におけるホモロジー認知知能の増強に不可欠であるこれまでの研究は主に多段階学習に依存しており、生成したセマンティックシーングラフはポーズ推定とオブジェクト検出を伴う中間プロセスに依存している。本研究では,S2Former-OR(S2Former-OR)と呼ばれるORにおけるSGGのための新しいシングルステージバイモーダルトランスフォーマフレームワークを提案する。
論文参考訳（メタデータ） (2024-02-22T11:40:49Z)
Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文参考訳（メタデータ） (2024-01-15T14:36:38Z)
Sampling is Matter: Point-guided 3D Human Mesh Reconstruction [0.0]
本稿では,1枚のRGB画像から3次元メッシュ再構成を行うための簡易かつ強力な手法を提案する。評価実験の結果,提案手法は3次元メッシュ再構成の性能を効率よく向上することが示された。
論文参考訳（メタデータ） (2023-04-19T08:45:26Z)
FMGNN: Fused Manifold Graph Neural Network [102.61136611255593]
グラフ表現学習は、様々なグラフタスクにおいて広く研究され、効果が実証されている。本稿では,異なるマニフォールドにグラフを埋め込む新しいGNNアーキテクチャであるFused Manifold Graph Neural Network (NN)を提案する。提案実験により,NNはノード分類およびリンク予測タスクのベンチマークにおいて,強いベースラインよりも優れた性能が得られることを示した。
論文参考訳（メタデータ） (2023-04-03T15:38:53Z)
E-Graph: Minimal Solution for Rigid Rotation with Extensibility Graphs [61.552125054227595]
重なり合う領域を持たない2つの画像間の相対的な回転推定を解くために,新しい最小解を提案する。 E-Graphに基づいて、回転推定問題はより単純でエレガントになる。回転推定戦略を6-DoFカメラのポーズと高密度3Dメッシュモデルを得る完全カメラ追跡マッピングシステムに組み込む。
論文参考訳（メタデータ） (2022-07-20T16:11:48Z)
A Dual-Masked Auto-Encoder for Robust Motion Capture with Spatial-Temporal Skeletal Token Completion [13.88656793940129]
本稿では, 3次元関節を再構成し, 個々の関節を識別するための適応的, アイデンティティを意識した三角測量モジュールを提案する。次に,D-MAE(Dual-Masked Auto-Encoder)を提案する。重大なデータ損失シナリオを扱う上で提案するモデルの能力を実証するために,高精度で挑戦的なモーションキャプチャデータセットに貢献する。
論文参考訳（メタデータ） (2022-07-15T10:00:43Z)
Graph-Based 3D Multi-Person Pose Estimation Using Multi-View Images [79.70127290464514]
我々は,タスクを2つの段階,すなわち人物のローカライゼーションとポーズ推定に分解する。また,効率的なメッセージパッシングのための3つのタスク固有グラフニューラルネットワークを提案する。提案手法は,CMU Panoptic と Shelf のデータセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2021-09-13T11:44:07Z)
NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
論文参考訳（メタデータ） (2021-06-17T12:25:44Z)
A hybrid classification-regression approach for 3D hand pose estimation using graph convolutional networks [1.0152838128195467]
目的ごとの関係制約を学習する2段階のGCNベースのフレームワークを提案する。第1フェーズは2D/3D空間を量子化し、その局所性に基づいて関節を2D/3Dブロックに分類する。第2段階ではGCNベースのモジュールを使用し、隣り合う適応アルゴリズムを用いて関節関係を決定する。
論文参考訳（メタデータ） (2021-05-23T10:09:10Z)
Mesh Graphormer [17.75480888764098]
グラフ畳み込み強化変換器であるMesh Graphormerを1枚の画像から3次元の人間のポーズとメッシュ再構成を行う。
論文参考訳（メタデータ） (2021-04-01T06:16:36Z)

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。