Fugu-MT 論文翻訳(概要): MoManifold: Learning to Measure 3D Human Motion via Decoupled Joint Acceleration Manifolds

論文の概要: MoManifold: Learning to Measure 3D Human Motion via Decoupled Joint Acceleration Manifolds

arxiv url: http://arxiv.org/abs/2409.00736v1
Date: Sun, 1 Sep 2024 15:00:16 GMT
ステータス: 処理完了
システム内更新日: 2024-09-06 11:36:58.095063
Title: MoManifold: Learning to Measure 3D Human Motion via Decoupled Joint Acceleration Manifolds
Title（参考訳）: MoManifold: 切り離された関節加速度マニフォールドによる3次元人間の動作測定の学習
Authors: Ziqiang Dang, Tianxing Fan, Boming Zhao, Xujie Shen, Lei Wang, Guofeng Zhang, Zhaopeng Cui,
Abstract要約: 我々は、連続した高次元運動空間における可塑性人間の動きをモデル化した、新しい人間の動きであるMoManifoldを提案する。具体的には、既存の限られた動きデータから人間の力学をモデル化する新しい結合加速法を提案する。大規模な実験により、MoManifoldはいくつかの下流タスクにおいて既存のSOTAよりも優れていることが示された。
参考スコア（独自算出の注目度）: 20.83684434910106
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Incorporating temporal information effectively is important for accurate 3D human motion estimation and generation which have wide applications from human-computer interaction to AR/VR. In this paper, we present MoManifold, a novel human motion prior, which models plausible human motion in continuous high-dimensional motion space. Different from existing mathematical or VAE-based methods, our representation is designed based on the neural distance field, which makes human dynamics explicitly quantified to a score and thus can measure human motion plausibility. Specifically, we propose novel decoupled joint acceleration manifolds to model human dynamics from existing limited motion data. Moreover, we introduce a novel optimization method using the manifold distance as guidance, which facilitates a variety of motion-related tasks. Extensive experiments demonstrate that MoManifold outperforms existing SOTAs as a prior in several downstream tasks such as denoising real-world human mocap data, recovering human motion from partial 3D observations, mitigating jitters for SMPL-based pose estimators, and refining the results of motion in-betweening.
Abstract（参考訳）: 人-コンピュータインタラクションからAR/VRまで幅広い応用が可能な正確な3次元動作推定・生成には,時間的情報を効果的に組み込むことが重要である。本稿では、連続した高次元運動空間における可塑性人間の動きをモデル化した、新しい人間の動きであるMoManifoldについて述べる。従来の数学的手法やVAEに基づく手法と異なり、我々の表現は神経距離場に基づいて設計されており、人間の力学をスコアに明示的に定量化し、人間の動きの可視性を測定することができる。具体的には,既存の有限運動データから人体力学をモデル化する新しい結合加速度多様体を提案する。さらに,多様体距離をガイダンスとして用いた新しい最適化手法を導入し,様々な動作関連タスクを容易にする。大規模な実験により、MoManifoldは、実世界の人間のモカプデータのノイズ化、部分的な3D観察からの人間の動きの回復、SMPLベースのポーズ推定器のジッタの軽減、および間移動の結果の精査など、いくつかの下流タスクにおいて、既存のSOTAよりも優れていたことが示されている。

関連論文リスト

Sitcom-Crafter: A Plot-Driven Human Motion Generation System in 3D Scenes [83.55301458112672]
Sitcom-Crafterは3D空間における人間のモーション生成システムである。機能生成モジュールの中心は、我々の新しい3Dシーン対応ヒューマン・ヒューマン・インタラクションモジュールである。拡張モジュールは、コマンド生成のためのプロット理解、異なるモーションタイプのシームレスな統合のためのモーション同期を含む。
論文参考訳（メタデータ） (2024-10-14T17:56:19Z)
Aligning Human Motion Generation with Human Perceptions [51.831338643012444]
本研究では,大規模人間の知覚評価データセットであるMotionPerceptと,人間の動作批判モデルであるMotionCriticを導入することにより,ギャップを埋めるデータ駆動型アプローチを提案する。我々の批評家モデルは、運動品質を評価するためのより正確な指標を提供しており、容易に運動生成パイプラインに統合することができる。
論文参考訳（メタデータ） (2024-07-02T14:01:59Z)
GazeMoDiff: Gaze-guided Diffusion Model for Stochastic Human Motion Prediction [10.982807572404166]
本稿では、人間の動きを生成するための新しい視線誘導型微分拡散モデルGazeMoを提案する。提案手法はまず視線エンコーダを用いて視線と運動の特徴を抽出し,その特徴を融合させるグラフアテンションネットワークを用いる。提案手法は,マルチモーダルな最終誤差の点で,最先端の手法よりも高い性能を示す。
論文参考訳（メタデータ） (2023-12-19T12:10:12Z)
Executing your Commands via Motion Diffusion in Latent Space [51.64652463205012]
本研究では,動作遅延に基づく拡散モデル(MLD)を提案し,条件付き入力に対応する鮮明な動き列を生成する。我々のMDDは、広範囲な人体運動生成タスクにおいて、最先端の手法よりも大幅に改善されている。
論文参考訳（メタデータ） (2022-12-08T03:07:00Z)
Transformer Inertial Poser: Attention-based Real-time Human Motion Reconstruction from Sparse IMUs [79.72586714047199]
本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
論文参考訳（メタデータ） (2022-03-29T16:24:52Z)
H4D: Human 4D Modeling by Learning Neural Compositional Representation [75.34798886466311]
この研究は、動的人間に対するコンパクトで構成的な表現を効果的に学習できる新しい枠組みを提示する。単純で効果的な線形運動モデルを提案し, 粗く規則化された動き推定を行う。本手法は, 高精度な動作と詳細な形状を持つ動的ヒトの回復に有効であるだけでなく, 様々な4次元人間関連タスクにも有効であることを示す。
論文参考訳（メタデータ） (2022-03-02T17:10:49Z)
Human Motion Prediction Using Manifold-Aware Wasserstein GAN [4.771549505875783]
我々は,人間の運動の時間的および空間的依存性を捉える多様体認識ワッサースタイン生成逆モデルを構築した。我々のアプローチは、CMU MoCapとHuman 3.6Mデータセットの最先端よりも優れています。
論文参考訳（メタデータ） (2021-05-18T17:56:10Z)
HuMoR: 3D Human Motion Model for Robust Pose Estimation [100.55369985297797]
HuMoRは、時間的ポーズと形状のロバスト推定のための3Dヒューマンモーションモデルです。モーションシーケンスの各ステップにおけるポーズの変化の分布を学習する条件付き変分オートエンコーダについて紹介する。本モデルが大規模モーションキャプチャーデータセットのトレーニング後に多様な動きや体型に一般化することを示す。
論文参考訳（メタデータ） (2021-05-10T21:04:55Z)
Multi-grained Trajectory Graph Convolutional Networks for Habit-unrelated Human Motion Prediction [4.070072825448614]
習慣非関連な人間の運動予測のために, マルチグレイングラフ畳み込みネットワークベースの軽量フレームワークを提案する。左利きの動作を生成するための新しい動き生成法を提案し,人間の習慣に偏りのない動きをより良くモデル化した。 humantemporal3.6m と cmu mocap を含む挑戦的データセットの実験結果は、提案モデルが0.12倍以下のパラメータで最先端を上回っていることを示している。
論文参考訳（メタデータ） (2020-12-23T09:41:50Z)
3D Human Motion Estimation via Motion Compression and Refinement [27.49664453166726]
我々はRGBビデオシーケンスからスムーズで正確な3次元ポーズとモーション推定を生成する技術を開発した。本手法は,変動オートエンコーダ(MEVA)による動作推定と呼ばれ,人間の動作の時間的シーケンスをスムーズな動作表現に分解する。
論文参考訳（メタデータ） (2020-08-09T19:02:29Z)
Action2Motion: Conditioned Generation of 3D Human Motions [28.031644518303075]
我々は3Dで人間の動作シーケンスを生成することを目的としている。それぞれのサンプル配列は、自然界の体動力学に忠実に類似している。新しい3DモーションデータセットであるHumanAct12も構築されている。
論文参考訳（メタデータ） (2020-07-30T05:29:59Z)

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。