論文の概要: Generative Human Geometry Distribution

• arxiv url: http://arxiv.org/abs/2503.01448v1
• Date: Mon, 03 Mar 2025 11:55:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:18:22.595361
• Title: Generative Human Geometry Distribution
• Title（参考訳）: 生成的人体形状分布
• Authors: Xiangjun Tang, Biao Zhang, Peter Wonka,
• Abstract要約: 本稿では,人間の幾何学分布の分布をモデル化する新しい3次元人体生成フレームワークを提案する。 筆者らのフレームワークは,まず人体形状分布の生成と,この分布から抽出した高忠実度人間の2段階で動作する。
• 参考スコア（独自算出の注目度）: 42.69562182756559
• License:
• Abstract: Realistic human geometry generation is an important yet challenging task, requiring both the preservation of fine clothing details and the accurate modeling of clothing-pose interactions. Geometry distributions, which can model the geometry of a single human as a distribution, provide a promising representation for high-fidelity synthesis. However, applying geometry distributions for human generation requires learning a dataset-level distribution over numerous individual geometry distributions. To address the resulting challenges, we propose a novel 3D human generative framework that, for the first time, models the distribution of human geometry distributions. Our framework operates in two stages: first, generating the human geometry distribution, and second, synthesizing high-fidelity humans by sampling from this distribution. We validate our method on two tasks: pose-conditioned 3D human generation and single-view-based novel pose generation. Experimental results demonstrate that our approach achieves the best quantitative results in terms of realism and geometric fidelity, outperforming state-of-the-art generative methods.
• Abstract（参考訳）: リアルな人間のジオメトリ生成は重要な課題であり、衣服の詳細の保存と衣料品との相互作用の正確なモデリングの両方を必要とする。 分布として1人の人間の幾何学をモデル化できる幾何学的分布は、高忠実性合成のための有望な表現を提供する。 しかし、人為的生成に幾何分布を適用するには、多数の個々の幾何分布にまたがるデータセットレベルの分布を学習する必要がある。 これらの課題に対処するために,人間の幾何学分布の分布をモデル化した新しい3次元人体生成フレームワークを提案する。 筆者らのフレームワークは,まず人体形状分布の生成,次に,この分布から抽出して高忠実度人間を合成する。 提案手法は,ポーズ条件付き3次元ヒューマンジェネレーションと単一ビューベース新規ポーズジェネレーションの2つのタスクで検証する。 実験により,本手法は実数論と幾何学的忠実度の観点から最も定量的な結果が得られることを示した。

関連論文リスト

• JADE: Joint-aware Latent Diffusion for 3D Human Generative Modeling [62.77347895550087]
  JADEは人体形状の変化を微粒化制御で学習する生成フレームワークである。 私たちの重要な洞察は、人体を骨格構造に分解する共同認識の潜伏表現です。 提案した分解条件下でのコヒーレントで可塑性な人体形状を生成するため,カスケードパイプラインも提案する。
  論文  参考訳（メタデータ） (2024-12-29T14:18:35Z)
• MultiGO: Towards Multi-level Geometry Learning for Monocular 3D Textured Human Reconstruction [4.457326808146675]
  本稿では, 単眼画像から3次元布体を再構築する研究課題について検討する。 既存のアプローチでは、事前訓練されたSMPL(-X)推定モデルや生成モデルを利用して、人間の再構築に補助情報を提供する。 技術的には,骨格レベルの強化,関節レベルの強化,輪郭レベルの改良モジュールの3つの重要なコンポーネントを設計する。
  論文  参考訳（メタデータ） (2024-12-04T08:06:06Z)
• GeneMAN: Generalizable Single-Image 3D Human Reconstruction from Multi-Source Human Data [61.05815629606135]
  高忠実度3Dモデルを構築するのが難しい課題です。 GeneMANは高品質な人間のデータを総合的に収集する。 GeneMANは、単一の画像入力から高品質な3Dモデルを生成することができ、最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2024-11-27T18:59:54Z)
• Geometry Distributions [51.4061133324376]
  本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。 提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。 本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-25T04:06:48Z)
• HyperHuman: Hyper-Realistic Human Generation with Latent Structural Diffusion [114.15397904945185]
  本稿では,高リアリズムと多彩なレイアウトの人体画像を生成する統一的なフレームワークHyperHumanを提案する。 本モデルは,統合ネットワークにおける画像の外観,空間的関係,幾何学の連成学習を強制する。 我々のフレームワークは最先端の性能を生み出し、多様なシナリオ下で超現実的な人間の画像を生成する。
  論文  参考訳（メタデータ） (2023-10-12T17:59:34Z)
• Few-shot 3D Shape Generation [18.532357455856836]
  本研究では,大領域で事前学習した生成モデルを限定データを用いて対象領域に適応させることにより,少数の3次元形状生成を実現するための最初の試みを行う。 提案手法では,ターゲット形状分布を学習するためのトレーニングデータとして,数発のターゲットサンプルのシルエットしか必要としない。
  論文  参考訳（メタデータ） (2023-05-19T13:30:10Z)
• THUNDR: Transformer-based 3D HUmaN Reconstruction with Markers [67.8628917474705]
  THUNDRは、人の3Dポーズと形状を再構築するトランスフォーマーベースのディープニューラルネットワーク手法である。 完全教師付きモデルと自己教師型モデルの両方に対して,Human3.6Mと3DPWの最先端結果を示す。 野生で収集された難易度の高い人間のポーズに対して, 非常に堅固な3次元再構成性能を観察した。
  論文  参考訳（メタデータ） (2021-06-17T09:09:24Z)

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。