論文の概要: Hand-object reconstruction via interaction-aware graph attention mechanism

• arxiv url: http://arxiv.org/abs/2409.17629v1
• Date: Thu, 26 Sep 2024 08:23:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-28 21:53:57.472756
• Title: Hand-object reconstruction via interaction-aware graph attention mechanism
• Title（参考訳）: 相互作用認識型グラフアテンション機構による手動物体の再構成
• Authors: Taeyun Woo, Tae-Kyun Kim, Jinah Park,
• Abstract要約: 手と物体の両方のポーズを推定することは、研究の重要な領域となっている。 本稿では,対話型グラフアテンション機構を組み込んだグラフベースの精錬手法を提案する。 提案手法の有効性を示す実験を行った。
• 参考スコア（独自算出の注目度）: 25.396356108313178
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Estimating the poses of both a hand and an object has become an important area of research due to the growing need for advanced vision computing. The primary challenge involves understanding and reconstructing how hands and objects interact, such as contact and physical plausibility. Existing approaches often adopt a graph neural network to incorporate spatial information of hand and object meshes. However, these approaches have not fully exploited the potential of graphs without modification of edges within and between hand- and object-graphs. We propose a graph-based refinement method that incorporates an interaction-aware graph-attention mechanism to account for hand-object interactions. Using edges, we establish connections among closely correlated nodes, both within individual graphs and across different graphs. Experiments demonstrate the effectiveness of our proposed method with notable improvements in the realm of physical plausibility.
• Abstract（参考訳）: 高度な視覚コンピューティングの必要性が高まっているため、手と物体の両方のポーズを推定することが重要な研究領域となっている。 主な課題は、接触や身体的可視性など、手と物体の相互作用の理解と再構築である。 既存のアプローチでは、しばしば手とオブジェクトメッシュの空間情報を組み込むグラフニューラルネットワークを採用している。 しかし、これらのアプローチは、手書きグラフとオブジェクトグラフの間のエッジを変更することなくグラフの可能性を完全に活用していない。 本稿では,手動物体の相互作用を考慮に入れた相互作用認識型グラフアテンション機構を組み込んだグラフベース精錬法を提案する。 エッジを用いて、個々のグラフ内および異なるグラフ間の密接な相関ノード間の接続を確立する。 提案手法の有効性を示す実験を行った。

関連論文リスト

• Geometric Graph Neural Network Modeling of Human Interactions in Crowded Environments [3.7752830020595787]
  本稿では,歩行者のインタラクションをモデル化し,将来の軌跡を予測するために,心理学的な研究からドメイン知識を統合した幾何学的グラフニューラルネットワークアーキテクチャを提案する。 複数のデータセットにまたがる評価では、平均値と最終変位誤差のメトリクスを減らして予測精度が向上した。
  論文  参考訳（メタデータ） (2024-10-22T20:33:10Z)
• Visual-Geometric Collaborative Guidance for Affordance Learning [63.038406948791454]
  本稿では,視覚的・幾何学的手がかりを取り入れた視覚・幾何学的協調学習ネットワークを提案する。 本手法は,客観的指標と視覚的品質の代表的なモデルより優れている。
  論文  参考訳（メタデータ） (2024-10-15T07:35:51Z)
• 3D WholeBody Pose Estimation based on Semantic Graph Attention Network and Distance Information [2.457872341625575]
  新たなセマンティックグラフアテンションネットワークは、グローバルコンテキストをキャプチャする自己アテンションの能力の恩恵を受けることができる。 本体部分デコーダは、身体の特定のセグメントに関連する情報を抽出し、精製するのを支援する。 幾何学的損失(Geometry Loss)は身体の構造的骨格に批判的な制約を与え、モデルの予測が人間の姿勢の自然な限界に合致することを確実にする。
  論文  参考訳（メタデータ） (2024-06-03T10:59:00Z)
• Novel-view Synthesis and Pose Estimation for Hand-Object Interaction from Sparse Views [41.50710846018882]
  スパースビューから手動物体間相互作用を推定するニューラルレンダリングとポーズ推定システムを提案する。 まず,手や物体の形状や外観を,神経表現と別々に学習する。 オンライン段階では、動的手-物体相互作用を理解するためのレンダリングベースのジョイントモデルフィッティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2023-08-22T05:17:41Z)
• Interacting Hand-Object Pose Estimation via Dense Mutual Attention [97.26400229871888]
  3Dハンドオブジェクトのポーズ推定は多くのコンピュータビジョンアプリケーションの成功の鍵となる。 本研究では,手と物体間の微粒な依存関係をモデル化できる新しい相互注意機構を提案する。 提案手法は,高品質かつリアルタイムな推論速度で,物理的に妥当なポーズを生成できる。
  論文  参考訳（メタデータ） (2022-11-16T10:01:33Z)
• Causally-guided Regularization of Graph Attention Improves Generalizability [69.09877209676266]
  本稿では,グラフアテンションネットワークのための汎用正規化フレームワークであるCARを紹介する。 メソッド名は、グラフ接続に対するアクティブ介入の因果効果とアテンションメカニズムを一致させる。 ソーシャル・メディア・ネットワーク規模のグラフでは、CAR誘導グラフ再構成アプローチにより、グラフの畳み込み手法のスケーラビリティとグラフの注意力の向上を両立させることができる。
  論文  参考訳（メタデータ） (2022-10-20T01:29:10Z)
• IGFormer: Interaction Graph Transformer for Skeleton-based Human Interaction Recognition [26.05948629634753]
  骨格に基づく対話認識のための新しい対話グラフ変換器 (IGFormer) ネットワークを提案する。 IGFormerは、対話体部分間の意味的および距離的相関に基づいて相互作用グラフを構築する。 また,ヒトの骨格配列をBody-Part-Time配列に変換するセマンティック分割モジュールを提案する。
  論文  参考訳（メタデータ） (2022-07-25T12:11:15Z)
• Collaborative Learning for Hand and Object Reconstruction with Attention-guided Graph Convolution [49.10497573378427]
  インタラクション中の手や物体のポーズと形状を推定すると、拡張現実や仮想現実を含む多くの応用が見つかる。 我々のアルゴリズムはオブジェクトモデルへの最適化であり、手動オブジェクトの相互作用を管理する物理規則を学習する。 広範に使用されている4つのベンチマークを用いて実験したところ、我々のフレームワークは3次元ポーズ推定における最先端の精度を超えて達成でき、また、密集した3次元手や物体の形状を復元できることがわかった。
  論文  参考訳（メタデータ） (2022-04-27T17:00:54Z)
• GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
  本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。 学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
  論文  参考訳（メタデータ） (2020-07-07T16:51:39Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。