論文の概要: CLOAF: CoLlisiOn-Aware Human Flow

• arxiv url: http://arxiv.org/abs/2403.09050v1
• Date: Thu, 14 Mar 2024 02:38:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-15 22:07:16.809408
• Title: CLOAF: CoLlisiOn-Aware Human Flow
• Title（参考訳）: CLOAF:コリシオン・アウェア・ヒューマン・フロー
• Authors: Andrey Davydov, Martin Engilberge, Mathieu Salzmann, Pascal Fua,
• Abstract要約: CLOAFは、通常の微分方程式の微分同相性を利用して、身体の自己切断を除去する。 CLOAFは、異なるため、ポーズを微調整したり、全体のパフォーマンスを改善するために、ベースラインを形づくることができる。
• 参考スコア（独自算出の注目度）: 90.21089550719488
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Even the best current algorithms for estimating body 3D shape and pose yield results that include body self-intersections. In this paper, we present CLOAF, which exploits the diffeomorphic nature of Ordinary Differential Equations to eliminate such self-intersections while still imposing body shape constraints. We show that, unlike earlier approaches to addressing this issue, ours completely eliminates the self-intersections without compromising the accuracy of the reconstructions. Being differentiable, CLOAF can be used to fine-tune pose and shape estimation baselines to improve their overall performance and eliminate self-intersections in their predictions. Furthermore, we demonstrate how our CLOAF strategy can be applied to practically any motion field induced by the user. CLOAF also makes it possible to edit motion to interact with the environment without worrying about potential collision or loss of body-shape prior.
• Abstract（参考訳）: 身体の3次元形状を推定し、身体の自己断面積を含む収率を推定するための最良の電流アルゴリズムさえも。 本稿では, 通常の微分方程式の微分特性を利用して, 体形制約を課しながら, 自己切断を除去する CLOAF を提案する。 この課題に対処する従来のアプローチとは異なり、再建の正確さを損なうことなく、自己切断を完全に排除できることが示される。 異なるため、CLOAFはポーズの微調整と形状推定のベースラインを使用でき、全体的なパフォーマンスを改善し、予測における自己断面積を排除できる。 さらに,ユーザによって誘導される任意の運動場に対して,我々のCLOAF戦略をどのように適用できるかを示す。 CLOAFはまた、前もって衝突や体型喪失を心配することなく、動きを編集して環境と対話することを可能にする。

関連論文リスト

• Closely Interactive Human Reconstruction with Proxemics and Physics-Guided Adaption [64.07607726562841]
  既存の人間再建アプローチは主に、正確なポーズの回復や侵入を避けることに焦点を当てている。 本研究では,モノクロ映像から密に対話的な人間を再構築する作業に取り組む。 本稿では,視覚情報の欠如を補うために,確率的行動や物理からの知識を活用することを提案する。
  論文  参考訳（メタデータ） (2024-04-17T11:55:45Z)
• Implicit Modeling of Non-rigid Objects with Cross-Category Signals [28.956412015920936]
  MODIFは、複数のオブジェクトに対する変形フィールドとインスタンス固有の潜時符号を同時に学習する多目的深い暗黙関数である。 我々は,MODIFが各臓器の形状表現と他臓器との関係を良好に学習できることを示す。
  論文  参考訳（メタデータ） (2023-12-15T22:34:17Z)
• NIKI: Neural Inverse Kinematics with Invertible Neural Networks for 3D Human Pose and Shape Estimation [53.25973084799954]
  両方向誤差をモデル化したNIKI(Neural Inverse Kinematics with Invertible Neural Network)を提案する。 NIKIは、非可逆ネットワークによる前処理と逆処理の両方から学習することができる。
  論文  参考訳（メタデータ） (2023-05-15T12:13:24Z)
• Probabilistic Human Mesh Recovery in 3D Scenes from Egocentric Views [32.940614931864154]
  身体のポーズ分布をモデル化するシーン条件拡散法を提案する。 この方法は、可塑性ヒトとシーンの相互作用において体を生成する。 目に見える関節の精度と、目に見えない身体の部分の多様性に優れる。
  論文  参考訳（メタデータ） (2023-04-12T17:58:57Z)
• VGFlow: Visibility guided Flow Network for Human Reposing [36.94334399493267]
  本稿では,人間の知覚的正確な画像を生成するためにVGFlowを提案する。 我々のモデルは、可視化誘導フローモジュールを使用して、フローを可視および可視部分へと切り離す。 VGFlowは、さまざまな画像品質指標で観察される最先端の結果を達成する。
  論文  参考訳（メタデータ） (2022-11-13T12:41:07Z)
• A Repulsive Force Unit for Garment Collision Handling in Neural Networks [61.34646212450137]
  本稿では,Repulsive Force Unit (ReFU) と呼ばれる新しいニューラルネットワーク層を提案する。 基底体の符号付き距離関数(SDF)に基づいて、ReFUは、微妙な幾何学的詳細を保存しながら、衝突のない構成に相互接続する頂点ごとのオフセットを予測する。 実験の結果,ReFUは身体と衣服の衝突回数を大幅に減らし,従来法に比べて幾何的細部をよく保存することがわかった。
  論文  参考訳（メタデータ） (2022-07-28T03:46:16Z)
• RNNPose: Recurrent 6-DoF Object Pose Refinement with Robust Correspondence Field Estimation and Pose Optimization [46.144194562841435]
  本稿では、オブジェクトポーズ改善のためのリカレントニューラルネットワーク(RNN)に基づくフレームワークを提案する。 この問題は、推定対応フィールドに基づいて非線形最小二乗問題として定式化される。 各イテレーションにおいて、対応フィールド推定とポーズ精錬を代替して行い、正確なオブジェクトポーズを復元する。
  論文  参考訳（メタデータ） (2022-03-24T06:24:55Z)
• LatentHuman: Shape-and-Pose Disentangled Latent Representation for Human Bodies [78.17425779503047]
  本稿では,人体に対する新しい暗黙の表現法を提案する。 完全に微分可能で、非交叉形状で最適化可能であり、潜在空間を映し出す。 我々のモデルは、よく設計された損失を伴う、水密でない生データを直接訓練し、微調整することができる。
  論文  参考訳（メタデータ） (2021-11-30T04:10:57Z)
• SNARF: Differentiable Forward Skinning for Animating Non-Rigid Neural Implicit Shapes [117.76767853430243]
  SNARFは多角形メッシュに対する線形ブレンドスキンの利点とニューラル暗黙表面の利点を組み合わせたものである。 反復ルート探索を用いて任意の変形点のすべての正準対応を探索するフォワードスキンモデルを提案する。 最先端のニューラルネットワークの暗黙的表現と比較すると,このアプローチは,精度を維持しつつ,未認識のポーズを一般化する。
  論文  参考訳（メタデータ） (2021-04-08T17:54:59Z)

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。