Fugu-MT 論文翻訳(概要): PainDiffusion: Learning to Express Pain

論文の概要: PainDiffusion: Learning to Express Pain

arxiv url: http://arxiv.org/abs/2409.11635v2
Date: Tue, 04 Mar 2025 13:11:49 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-05 19:10:17.157510
Title: PainDiffusion: Learning to Express Pain
Title（参考訳）: PainDiffusion: 痛みの表現を学ぶ
Authors: Quang Tien Dam, Tri Tung Nguyen Nguyen, Yuki Endo, Dinh Tuan Tran, Joo-Ho Lee,
Abstract要約: 自然主義的な顔面痛表情を合成する生成モデルPainDiffusionを紹介する。 PainDiffusionは連続的な潜伏空間で動作し、より滑らかで自然な顔の動きを保証する。本手法は、痛み表現性や感情などの本質的な特徴を取り入れ、パーソナライズされた、制御可能な痛み表現合成を可能にする。
参考スコア（独自算出の注目度）: 1.8618013369281985
License:
Abstract: Accurate pain expression synthesis is essential for improving clinical training and human-robot interaction. Current Robotic Patient Simulators (RPSs) lack realistic pain facial expressions, limiting their effectiveness in medical training. In this work, we introduce PainDiffusion, a generative model that synthesizes naturalistic facial pain expressions. Unlike traditional heuristic or autoregressive methods, PainDiffusion operates in a continuous latent space, ensuring smoother and more natural facial motion while supporting indefinite-length generation via diffusion forcing. Our approach incorporates intrinsic characteristics such as pain expressiveness and emotion, allowing for personalized and controllable pain expression synthesis. We train and evaluate our model using the BioVid HeatPain Database. Additionally, we integrate PainDiffusion into a robotic system to assess its applicability in real-time rehabilitation exercises. Qualitative studies with clinicians reveal that PainDiffusion produces realistic pain expressions, with a 31.2% (std 4.8%) preference rate against ground-truth recordings. Our results suggest that PainDiffusion can serve as a viable alternative to real patients in clinical training and simulation, bridging the gap between synthetic and naturalistic pain expression. Code and videos are available at: https://damtien444.github.io/paindf/
Abstract（参考訳）: 正確な痛み発現合成は臨床訓練とヒトとロボットの相互作用を改善するために不可欠である。現在のロボット患者シミュレータ(RPS)は、現実的な痛みの表情を欠き、医療訓練におけるその効果を制限している。本研究では,自然主義的な顔面痛表情を合成する生成モデルPainDiffusionを紹介する。従来のヒューリスティックな方法や自己回帰的な方法とは異なり、PainDiffusionは連続的な潜伏空間で動作し、より滑らかで自然な顔の動きを保ちながら、拡散強制によって不定長の生成をサポートする。本手法は、痛み表現性や感情などの本質的な特徴を取り入れ、パーソナライズされた、制御可能な痛み表現合成を可能にする。 BioVid HeatPain Databaseを使ってモデルをトレーニングし、評価する。さらに、PainDiffusionをロボットシステムに統合し、リアルタイムリハビリテーション演習への適用性を評価する。臨床医との質的研究により、PainDiffusion は31.2% (std 4.8%) の嗜好率で現実的な痛みの表現を生み出していることが明らかになった。以上の結果から,PainDiffusionは臨床訓練やシミュレーションにおいて実際の患者に対して有効な代替手段となり得ることが示唆された。コードとビデオは、https://damtien444.github.io/paindf/で入手できる。

関連論文リスト

Improving Pain Classification using Spatio-Temporal Deep Learning Approaches with Facial Expressions [0.27309692684728604]
痛み管理と重症度検出は効果的な治療に不可欠である。伝統的な自己申告法は主観的であり、非言語的個人には適さない。表情を用いた痛みの自動検出について検討する。
論文参考訳（メタデータ） (2025-01-12T11:54:46Z)
Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
論文参考訳（メタデータ） (2024-12-30T01:59:34Z)
Transformer with Leveraged Masked Autoencoder for video-based Pain Assessment [11.016004057765185]
我々は、トランスフォーマーに基づくディープラーニングモデルにおいて、顔画像解析を用いて、痛み認識を強化する。強力なMasked AutoencoderとTransformersベースの分類器を組み合わせることで,表現とマイクロ表現の両方を通じて痛みレベルインジケータを効果的にキャプチャする。
論文参考訳（メタデータ） (2024-09-08T13:14:03Z)
Faces of Experimental Pain: Transferability of Deep Learned Heat Pain Features to Electrical Pain [7.205834345343974]
本研究では,ある種類の実験的痛みに対する深層学習の特徴表現が他の痛みに伝達できるかどうかを検討する。チャレンジデータセットには、電気的痛みの強度が異なる65人の参加者から収集されたデータが含まれている。提案手法では,BioVidデータセットに基づいてトレーニングされた既存の熱痛畳み込みニューラルネットワーク(CNN)を特徴抽出器として活用する。
論文参考訳（メタデータ） (2024-06-17T17:51:54Z)
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)
Pain Analysis using Adaptive Hierarchical Spatiotemporal Dynamic Imaging [16.146223377936035]
本稿では,適応時間動画像(Adaptive temporal Dynamic Image, AHDI)技術を紹介する。 AHDIは、顔ビデオの深い変化を特異なRGB画像にエンコードし、ビデオ表現のためのより単純な2Dモデルを実現する。この枠組み内では、一般化された顔表現を導出するために残差ネットワークを用いる。これらの表現は、痛みの強さを推定し、本物の痛み表現とシミュレートされた痛み表現を区別する2つのタスクに最適化される。
論文参考訳（メタデータ） (2023-12-12T01:23:05Z)
Reverse Stable Diffusion: What prompt was used to generate this image? [73.10116197883303]
本研究では, 生成拡散モデルにより生成された画像に対して, 迅速な埋め込みを予測できる課題について検討する。本稿では,複数ラベルの語彙分類を目的とする共同学習フレームワークを提案する。我々はDiffusionDBデータセットの実験を行い、安定拡散によって生成された画像からテキストプロンプトを予測する。
論文参考訳（メタデータ） (2023-08-02T23:39:29Z)
Transformer Encoder with Multiscale Deep Learning for Pain Classification Using Physiological Signals [0.0]
痛みは主観的な感覚駆動体験である。痛みの強さを測定する伝統的な技術は偏見に影響を受けやすく、場合によっては信頼できない。そこで我々は,生理的シグナルを入力として,痛み強度を分類する新しいトランスフォーマーエンコーダディープラーニングフレームワークPainAttnNetを開発した。
論文参考訳（メタデータ） (2023-03-13T04:21:33Z)
Leveraging Human Selective Attention for Medical Image Analysis with Limited Training Data [72.1187887376849]
選択的な注意機構は、注意散らしの存在を無視することで、認知システムがタスク関連視覚的手がかりに焦点を合わせるのに役立つ。本稿では,医療画像解析タスクにおいて,小さなトレーニングデータを用いたガベージを利用したフレームワークを提案する。本手法は腫瘍の3次元分割と2次元胸部X線分類において優れた性能を示す。
論文参考訳（メタデータ） (2021-12-02T07:55:25Z)
Non-contact Pain Recognition from Video Sequences with Remote Physiological Measurements Prediction [53.03469655641418]
痛み認識のための非接触方式で外観変化と生理的手がかりの両方を符号化する新しいマルチタスク学習フレームワークを提案する。我々は、一般に利用可能な痛みデータベース上で、非接触痛認識の最先端性能を確立する。
論文参考訳（メタデータ） (2021-05-18T20:47:45Z)
Where is my hand? Deep hand segmentation for visual self-recognition in humanoid robots [129.46920552019247]
本稿では、画像からロボットの手を切り離すための畳み込みニューラルネットワーク(CNN)を提案する。ヒューマノイドロボットVizzyの手のセグメンテーションのために,Mask-RCNNネットワークを微調整した。
論文参考訳（メタデータ） (2021-02-09T10:34:32Z)

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。