論文の概要: BundleMoCap: Efficient, Robust and Smooth Motion Capture from Sparse Multiview Videos

• arxiv url: http://arxiv.org/abs/2311.12679v1
• Date: Tue, 21 Nov 2023 15:37:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 00:04:19.797279
• Title: BundleMoCap: Efficient, Robust and Smooth Motion Capture from Sparse Multiview Videos
• Title（参考訳）: BundleMoCap:スパークなマルチビュービデオから効率よく、ロバストで滑らかなモーションキャプチャ
• Authors: Georgios Albanis, Nikolaos Zioulis, Kostas Kolomvatsos
• Abstract要約: BundleMoCapは、モーションキャプチャタスクを単一のステージで解決する。 これにより、時相の滑らかさの目的が不要になり、スムーズな動きがもたらされる。 BundleMoCapの強みは、シンプルさと効率性で高品質なモーションキャプチャ結果を達成する能力にある。
• 参考スコア（独自算出の注目度）: 12.412905426148466
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Capturing smooth motions from videos using markerless techniques typically involves complex processes such as temporal constraints, multiple stages with data-driven regression and optimization, and bundle solving over temporal windows. These processes can be inefficient and require tuning multiple objectives across stages. In contrast, BundleMoCap introduces a novel and efficient approach to this problem. It solves the motion capture task in a single stage, eliminating the need for temporal smoothness objectives while still delivering smooth motions. BundleMoCap outperforms the state-of-the-art without increasing complexity. The key concept behind BundleMoCap is manifold interpolation between latent keyframes. By relying on a local manifold smoothness assumption, we can efficiently solve a bundle of frames using a single code. Additionally, the method can be implemented as a sliding window optimization and requires only the first frame to be properly initialized, reducing the overall computational burden. BundleMoCap's strength lies in its ability to achieve high-quality motion capture results with simplicity and efficiency. More details can be found at https://moverseai.github.io/bundle/.
• Abstract（参考訳）: マーカーレス技術を用いたビデオからのスムーズな動きのキャプチャは通常、時間的制約、データ駆動回帰と最適化を伴う複数のステージ、時間的ウィンドウ上のバンドル解決といった複雑なプロセスを含む。 これらのプロセスは非効率で、ステージ間で複数の目的をチューニングする必要がある。 対照的に bundlemocap は、この問題に対して新しく効率的なアプローチを導入する。 単一の段階でのモーションキャプチャータスクを解決し、スムーズな動きを届けながら、時間的スムーズな目標の必要をなくす。 bundlemocapは複雑さを増すことなく最先端技術を上回る。 BundleMoCapの背景にある重要な概念は、潜在キーフレーム間の多様体補間である。 局所多様体の滑らかさを仮定することで、1つのコードを使ってフレームの束を効率的に解くことができる。 さらに、この方法はスライディングウィンドウ最適化として実装でき、適切な初期化のために最初のフレームのみを必要とするため、全体的な計算負荷が軽減される。 BundleMoCapの強みは、シンプルさと効率性で高品質なモーションキャプチャ結果を達成する能力にある。 詳細はhttps://moverseai.github.io/bundle/にある。

関連論文リスト

• Dynamic Frame Interpolation in Wavelet Domain [57.25341639095404]
  ビデオフレームは、より流動的な視覚体験のためにフレームレートを上げることができる、重要な低レベルな計算ビジョンタスクである。 既存の手法は、高度なモーションモデルと合成ネットワークを利用することで大きな成功を収めた。 WaveletVFIは、同様の精度を維持しながら最大40%の計算を削減できるため、他の最先端技術に対してより効率的に処理できる。
  論文  参考訳（メタデータ） (2023-09-07T06:41:15Z)
• Fast Full-frame Video Stabilization with Iterative Optimization [21.962533235492625]
  ビデオ安定化のための合成データセットを用いた反復的最適化に基づく学習手法を提案する。 確率的流れ場に基づく2レベル(粗粒度)安定化アルゴリズムを開発した。 そこで本研究では,分割コンカレントアプローチを採用し,フルフレーム安定化ビューをレンダリングするための新しいマルチフレーム融合戦略を提案する。
  論文  参考訳（メタデータ） (2023-07-24T13:24:19Z)
• Shuffled Autoregression For Motion Interpolation [53.61556200049156]
  この作業は、モーションタスクのためのディープラーニングソリューションを提供することを目的としている。 本稿では,自己回帰を任意の(シャッフルされた)順序で生成するために拡張する,emphShuffled AutoRegressionと呼ばれる新しいフレームワークを提案する。 また,3つのステージを終端から終端の時空間運動変換器に組み込んだ依存グラフの構築手法を提案する。
  論文  参考訳（メタデータ） (2023-06-10T07:14:59Z)
• You Can Ground Earlier than See: An Effective and Efficient Pipeline for Temporal Sentence Grounding in Compressed Videos [56.676761067861236]
  ビデオがトリミングされていない場合、時間的文のグラウンド化は、文問合せに従って目的のモーメントを意味的に見つけることを目的としている。 それまでの優れた作品は、かなり成功したが、それらはデコードされたフレームから抽出されたハイレベルな視覚的特徴にのみ焦点を当てている。 本稿では,圧縮された映像を直接視覚入力として利用する,圧縮された領域のTSGを提案する。
  論文  参考訳（メタデータ） (2023-03-14T12:53:27Z)
• FILM: Frame Interpolation for Large Motion [20.04001872133824]
  本稿では,2つの入力画像から複数の中間フレームを合成するフレームアルゴリズムを提案する。 提案手法は,Xiph大運動ベンチマークの最先端手法より優れている。
  論文  参考訳（メタデータ） (2022-02-10T08:48:18Z)
• FastRIFE: Optimization of Real-Time Intermediate Flow Estimation for Video Frame Interpolation [0.0]
  本稿では,RIFE(Real-Time Intermediate Flow Estimation)モデルの高速化を目的としたFastRIFEアルゴリズムを提案する。 すべてのソースコードはhttps://gitlab.com/malwinq/interpolation-of-images-for-slow-motion-videosで公開されている。
  論文  参考訳（メタデータ） (2021-05-27T22:31:40Z)
• Learning to Estimate Hidden Motions with Global Motion Aggregation [71.12650817490318]
  閉塞は、局所的な証拠に依存する光学フローアルゴリズムに重大な課題をもたらす。 最初の画像でピクセル間の長距離依存性を見つけるために,グローバルモーションアグリゲーションモジュールを導入する。 遮蔽領域における光流量推定が非遮蔽領域における性能を損なうことなく大幅に改善できることを実証した。
  論文  参考訳（メタデータ） (2021-04-06T10:32:03Z)
• Single-Shot Motion Completion with Transformer [0.0]
  本論文では,複数の動作完了問題を解決するための簡易かつ効果的な手法を提案する。 注意に基づくモデルの最近の大きな成功に触発されて、完成はシーケンス予測問題に対するシーケンスであると考える。 本手法は非自己回帰的に動作し,単一のフォワード伝搬内で複数フレームの欠落をリアルタイムに予測する。
  論文  参考訳（メタデータ） (2021-03-01T06:00:17Z)
• Blurry Video Frame Interpolation [57.77512131536132]
  本稿では,ぼやけた動きとアップコンバートのフレームレートを同時に低減する,ぼやけたビデオフレーム手法を提案する。 具体的には、透明な中間フレームを循環的に合成するピラミッドモジュールを開発する。 我々の手法は最先端の手法に対して好適に機能する。
  論文  参考訳（メタデータ） (2020-02-27T17:00:26Z)
• Efficient Semantic Video Segmentation with Per-frame Inference [117.97423110566963]
  本研究では,フレームごとの効率的なセマンティックビデオセグメンテーションを推論プロセス中に処理する。 そこで我々は,コンパクトモデルと大規模モデルのパフォーマンスギャップを狭めるために,新しい知識蒸留法を設計した。
  論文  参考訳（メタデータ） (2020-02-26T12:24:32Z)

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。