論文の概要: Physics-aware Hand-object Interaction Denoising

• arxiv url: http://arxiv.org/abs/2405.11481v1
• Date: Sun, 19 May 2024 08:24:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-21 17:28:11.662637
• Title: Physics-aware Hand-object Interaction Denoising
• Title（参考訳）: 物理対応型ハンドオブジェクトインタラクション
• Authors: Haowen Luo, Yunze Liu, Li Yi,
• Abstract要約: 身体的妥当性の2つの重要な側面を明示的に把握する2つの学習的損失項を導入する。 これらの用語は、物理的に認識されたノイズ除去ネットワークのトレーニングに使用される。 提案手法は,現在最先端の非雑音化手法を超越して,細粒度と全体的なポーズ精度の両方を著しく向上させる。
• 参考スコア（独自算出の注目度）: 21.3448097349759
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The credibility and practicality of a reconstructed hand-object interaction sequence depend largely on its physical plausibility. However, due to high occlusions during hand-object interaction, physical plausibility remains a challenging criterion for purely vision-based tracking methods. To address this issue and enhance the results of existing hand trackers, this paper proposes a novel physically-aware hand motion de-noising method. Specifically, we introduce two learned loss terms that explicitly capture two crucial aspects of physical plausibility: grasp credibility and manipulation feasibility. These terms are used to train a physically-aware de-noising network. Qualitative and quantitative experiments demonstrate that our approach significantly improves both fine-grained physical plausibility and overall pose accuracy, surpassing current state-of-the-art de-noising methods.
• Abstract（参考訳）: 再構成されたオブジェクト間相互作用シーケンスの信頼性と実用性は、その物理的妥当性に大きく依存する。 しかしながら、手動物体の相互作用における高い閉塞性のため、身体的可視性は純粋に視覚に基づく追跡法にとって難しい基準である。 そこで本研究では,この課題に対処し,既存のハンドトラッカーの成果を高めるために,手の動きを物理的に認識する新しい手法を提案する。 具体的には、信頼性の把握と操作可能性の操作という、物理的妥当性の2つの重要な側面を明示的に把握する2つの学習的損失項を導入する。 これらの用語は、物理的に認識されたノイズ除去ネットワークのトレーニングに使用される。 定性的および定量的実験により,本手法は,現在最先端のノイズ除去手法を超越して,微細な物理的可視性と全体的なポーズ精度の両方を著しく向上させることが示された。

関連論文リスト

• MultiPhys: Multi-Person Physics-aware 3D Motion Estimation [28.91813849219037]
  モノクロビデオから多人数動作を復元する手法であるMultiPhysを紹介する。 私たちの焦点は、様々なエンゲージメントの度合いで、ペアの個人間のコヒーレントな空間配置をキャプチャすることにあります。 本研究では,運動量に基づく運動を物理シミュレーターに自動回帰的に供給するパイプラインを考案する。
  論文  参考訳（メタデータ） (2024-04-18T08:29:29Z)
• On Inherent Adversarial Robustness of Active Vision Systems [7.803487547944363]
  GFNetとFALconの2つのアクティブビジョン手法は、最先端の敵攻撃下での標準的な受動畳み込みネットワークに比べて(2-3)強靭性を実現していることを示す。 さらに重要なことは、異なる固定点からの推論を行うと、アクティブな視覚メソッドが悪意のある入力に対して脆弱になることを示す、図解的で解釈可能な可視化分析を提供することである。
  論文  参考訳（メタデータ） (2024-03-29T22:51:45Z)
• Twisting Lids Off with Two Hands [88.20584085182857]
  深層強化学習を用いたシミュレーションで訓練された政策は,実世界へ効果的に移行可能であることを示す。 我々の研究は、深層強化学習とsim-to-realトランスファーが相まって、前例のない複雑さの操作問題に対処する上で有望なアプローチであることを示す証拠となる。
  論文  参考訳（メタデータ） (2024-03-04T18:59:30Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Fairness Increases Adversarial Vulnerability [50.90773979394264]
  フェアネスとロバストネスの間に二分法が存在することを示し、フェアネスを達成するとモデルロバストネスを減少させる。 非線形モデルと異なるアーキテクチャの実験は、複数の視覚領域における理論的発見を検証する。 フェアネスとロバストネスの良好なトレードオフを達成するためのモデルを構築するための,シンプルで効果的なソリューションを提案する。
  論文  参考訳（メタデータ） (2022-11-21T19:55:35Z)
• Physical Interaction: Reconstructing Hand-object Interactions with Physics [17.90852804328213]
  本稿では, 復元のあいまいさを解消する物理に基づく手法を提案する。 まず、手動物体の力に基づく動的モデルを提案し、これは観測されていない接触を回復し、また可塑性接触力の解法である。 実験により,提案手法は物理的に可塑性とより正確な手-物体相互作用の両方を再構成することを示した。
  論文  参考訳（メタデータ） (2022-09-22T07:41:31Z)
• Dynamic treatment effects: high-dimensional inference under model misspecification [11.688030627514532]
  動的治療効果の推定は様々な分野において不可欠である。 本稿では,治療課題と結果モデルの両方に対して,新しいロバストな推定器を提案する。
  論文  参考訳（メタデータ） (2021-11-12T17:05:47Z)
• Adversarial Motion Modelling helps Semi-supervised Hand Pose Estimation [116.07661813869196]
  そこで本稿では,非ラベルビデオに対人トレーニングとモーションモデリングのアイデアを組み合わせることを提案する。 本研究は,非ラベル映像系列の半教師あり学習により,逆方向が手ポーズ推定器の特性の向上につながることを示す。 このアプローチの主な利点は、ペアのトレーニングデータよりもはるかに容易に、未ペアのビデオとジョイントシーケンスデータを利用することができることです。
  論文  参考訳（メタデータ） (2021-06-10T17:50:19Z)
• High-Robustness, Low-Transferability Fingerprinting of Neural Networks [78.2527498858308]
  本稿では,ディープニューラルネットワークを効果的にフィンガープリントするための特性例を提案する。 モデルプルーニングに対するベースモデルへの高いロバスト性、無関係モデルへの低透過性などが特徴である。
  論文  参考訳（メタデータ） (2021-05-14T21:48:23Z)
• Towards Understanding the Adversarial Vulnerability of Skeleton-based Action Recognition [133.35968094967626]
  骨格に基づく行動認識は、動的状況への強い適応性から注目を集めている。 ディープラーニング技術の助けを借りて、かなり進歩し、現在、良識のある環境で約90%の精度を達成している。 異なる対角的環境下での骨格に基づく行動認識の脆弱性に関する研究はいまだ研究されていない。
  論文  参考訳（メタデータ） (2020-05-14T17:12:52Z)

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。