論文の概要: H-MoRe: Learning Human-centric Motion Representation for Action Analysis

• arxiv url: http://arxiv.org/abs/2504.10676v1
• Date: Mon, 14 Apr 2025 19:56:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:10:10.284715
• Title: H-MoRe: Learning Human-centric Motion Representation for Action Analysis
• Title（参考訳）: H-MoRe:行動分析のための人中心動作表現の学習
• Authors: Zhanbo Huang, Xiaoming Liu, Yu Kong,
• Abstract要約: H-MoReは、人間中心の正確な動きを表現するための新しいパイプラインである。 従来の方法とは異なり、H-MoReは自己教師された方法で現実世界のシナリオから直接学習する。 H-MoReは人間の動きに関する洗練された洞察を提供し、アクション関連のアプリケーションにシームレスに統合することができる。
• 参考スコア（独自算出の注目度）: 27.966744383799835
• License:
• Abstract: In this paper, we propose H-MoRe, a novel pipeline for learning precise human-centric motion representation. Our approach dynamically preserves relevant human motion while filtering out background movement. Notably, unlike previous methods relying on fully supervised learning from synthetic data, H-MoRe learns directly from real-world scenarios in a self-supervised manner, incorporating both human pose and body shape information. Inspired by kinematics, H-MoRe represents absolute and relative movements of each body point in a matrix format that captures nuanced motion details, termed world-local flows. H-MoRe offers refined insights into human motion, which can be integrated seamlessly into various action-related applications. Experimental results demonstrate that H-MoRe brings substantial improvements across various downstream tasks, including gait recognition(CL@R1: +16.01%), action recognition(Acc@1: +8.92%), and video generation(FVD: -67.07%). Additionally, H-MoRe exhibits high inference efficiency (34 fps), making it suitable for most real-time scenarios. Models and code will be released upon publication.
• Abstract（参考訳）: 本稿では,人間中心の運動表現を正確に学習するための新しいパイプラインであるH-MoReを提案する。 本手法は背景運動をフィルタリングしながら人の動きを動的に保存する。 合成データから完全に教師付き学習を行う従来の方法とは異なり、H-MoReは人間のポーズと体形情報の両方を取り入れた自己教師付きで現実のシナリオから直接学習する。 キネマティックスにインスパイアされたH-MoReは、世界局所フローと呼ばれる微妙な動きの詳細を捉えるマトリックスフォーマットで、各体点の絶対的かつ相対的な動きを表す。 H-MoReは人間の動きに関する洗練された洞察を提供し、様々なアクション関連アプリケーションにシームレスに統合することができる。 実験の結果、H-MoReは、歩行認識(CL@R1: +16.01%)、アクション認識(Acc@1: +8.92%)、ビデオ生成(FVD: -67.07%)など、様々な下流タスクに大幅な改善をもたらすことが示された。 さらに、H-MoReは高い推論効率(34fps)を示し、ほとんどのリアルタイムシナリオに適している。 モデルとコードは公開時にリリースされる。

関連論文リスト

• MoManifold: Learning to Measure 3D Human Motion via Decoupled Joint Acceleration Manifolds [20.83684434910106]
  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。
  論文  参考訳（メタデータ） (2024-09-01T15:00:16Z)
• Scaling Up Dynamic Human-Scene Interaction Modeling [58.032368564071895]
  TRUMANSは、現在利用可能な最も包括的なモーションキャプチャーHSIデータセットである。 人体全体の動きや部分レベルの物体の動きを複雑に捉えます。 本研究では,任意の長さのHSI配列を効率的に生成する拡散型自己回帰モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-13T15:45:04Z)
• ReMoS: 3D Motion-Conditioned Reaction Synthesis for Two-Person Interactions [66.87211993793807]
  本稿では,2人のインタラクションシナリオにおいて,人の全身運動を合成する拡散モデルReMoSを提案する。 ペアダンス,忍術,キックボクシング,アクロバティックといった2人のシナリオでReMoSを実証する。 また,全身動作と指の動きを含む2人のインタラクションに対してReMoCapデータセットを寄贈した。
  論文  参考訳（メタデータ） (2023-11-28T18:59:52Z)
• Universal Humanoid Motion Representations for Physics-Based Control [71.46142106079292]
  物理学に基づくヒューマノイド制御のための総合的な運動スキルを含む普遍的な運動表現を提案する。 まず、大きな非構造運動データセットから人間の動きをすべて模倣できる動き模倣機を学習する。 次に、模倣者から直接スキルを蒸留することで、動作表現を作成します。
  論文  参考訳（メタデータ） (2023-10-06T20:48:43Z)
• Priority-Centric Human Motion Generation in Discrete Latent Space [59.401128190423535]
  テキスト・ツー・モーション生成のための優先中心運動離散拡散モデル(M2DM)を提案する。 M2DMは、コード崩壊に対処するために、グローバルな自己注意機構と正規化用語を組み込んでいる。 また、各動きトークンの重要度から決定される革新的なノイズスケジュールを用いた動き離散拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-08-28T10:40:16Z)
• DiffMesh: A Motion-aware Diffusion Framework for Human Mesh Recovery from Videos [20.895221536570627]
  ヒューマンメッシュリカバリ(Human Mesh recovery, HMR)は、さまざまな現実世界のアプリケーションに対して、リッチな人体情報を提供する。 ビデオベースのアプローチはこの問題を緩和するために時間的情報を活用する。 DiffMeshはビデオベースのHMRのための革新的な動き認識型拡散型フレームワークである。
  論文  参考訳（メタデータ） (2023-03-23T16:15:18Z)
• Human MotionFormer: Transferring Human Motions with Vision Transformers [73.48118882676276]
  人間の動き伝達は、運動合成のためにターゲットの動的人物からソースの静的人物に動きを伝達することを目的としている。 本稿では,世界的および地域的認識を活用して,大規模かつ微妙な動きマッチングを捉える階層型ViTフレームワークであるHuman MotionFormerを提案する。 我々のHuman MotionFormerは、定性的かつ定量的に新しい最先端のパフォーマンスをセットしている。
  論文  参考訳（メタデータ） (2023-02-22T11:42:44Z)
• 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)

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。