Fugu-MT 論文翻訳(概要): ScanMove: Motion Prediction and Transfer for Unregistered Body Meshes

論文の概要: ScanMove: Motion Prediction and Transfer for Unregistered Body Meshes

arxiv url: http://arxiv.org/abs/2508.21095v1
Date: Wed, 27 Aug 2025 19:41:32 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-01 19:45:10.819854
Title: ScanMove: Motion Prediction and Transfer for Unregistered Body Meshes
Title（参考訳）: ScanMove: 未登録ボディーメッシュの動作予測と移動
Authors: Thomas Besnier, Sylvain Arguillère, Mohamed Daoudi,
Abstract要約: 非登録表面メッシュ、特に生の3Dスキャンは、可塑性変形の自動計算における重要な課題である。我々は,このようなボディーメッシュ上での予測と転送のための,リグフリーでデータ駆動型フレームワークを提案する。
参考スコア（独自算出の注目度）: 7.243987016933212
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Unregistered surface meshes, especially raw 3D scans, present significant challenges for automatic computation of plausible deformations due to the lack of established point-wise correspondences and the presence of noise in the data. In this paper, we propose a new, rig-free, data-driven framework for motion prediction and transfer on such body meshes. Our method couples a robust motion embedding network with a learned per-vertex feature field to generate a spatio-temporal deformation field, which drives the mesh deformation. Extensive evaluations, including quantitative benchmarks and qualitative visuals on tasks such as walking and running, demonstrate the effectiveness and versatility of our approach on challenging unregistered meshes.
Abstract（参考訳）: 非登録表面メッシュ、特に生の3Dスキャンは、定点対応の欠如とデータ中のノイズの存在により、可塑性変形の自動計算における重要な課題を提示する。本稿では,このようなボディーメッシュ上での動作予測と転送のための,リグフリーでデータ駆動型フレームワークを提案する。本手法は, メッシュ変形を駆動する時空間変形場を生成するために, 学習した頂点ごとの特徴場と頑健な動き埋め込みネットワークを結合する。ウォーキングやランニングなどのタスクにおける定量的なベンチマークや定性的視覚などを含む広範囲な評価は、登録されていないメッシュに挑戦するアプローチの有効性と汎用性を示している。

関連論文リスト

EMoTive: Event-guided Trajectory Modeling for 3D Motion Estimation [59.33052312107478]
イベントカメラは、シーン変化に対する連続的適応ピクセルレベル応答による3次元モーション推定の可能性を提供する。本稿では,イベント誘導パラメトリック曲線を用いた一様軌道をモデル化するイベントベースフレームワークであるEMoveについて述べる。動作表現には,事象誘導下での空間的特徴と時間的特徴を融合する密度認識適応機構を導入する。最終3次元運動推定は、パラメトリック軌道、流れ、深度運動場の多時間サンプリングによって達成される。
論文参考訳（メタデータ） (2025-03-14T13:15:54Z)
MATE: Motion-Augmented Temporal Consistency for Event-based Point Tracking [58.719310295870024]
本稿では,任意の点を追跡するイベントベースのフレームワークを提案する。事象の間隔に起因する曖昧さを解決するため、運動誘導モジュールは運動ベクトルを局所的なマッチングプロセスに組み込む。このメソッドは、任意のポイントベースラインのイベントのみのトラッキングに対して、$Survival_50$メトリックを17.9%改善する。
論文参考訳（メタデータ） (2024-12-02T09:13:29Z)
Kriformer: A Novel Spatiotemporal Kriging Approach Based on Graph Transformers [5.4381914710364665]
本研究は, 環境問題として, スパースセンサの配置と信頼性の低いデータに対処する。グラフクリフォーマーモデルであるKriformerは、限られた資源であっても、空間的および時間的相関をマイニングすることで、センサのない場所でデータを推定する。
論文参考訳（メタデータ） (2024-09-23T11:01:18Z)
Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
論文参考訳（メタデータ） (2024-09-20T07:41:47Z)
Degrees of Freedom Matter: Inferring Dynamics from Point Trajectories [28.701879490459675]
ニューラルネットワークによってパラメータ化された暗黙の運動場を学習し、同一領域内の新規点の動きを予測することを目的とする。我々は、SIRENが提供する固有正則化を活用し、入力層を変更して時間的に滑らかな運動場を生成する。実験では, 未知点軌道の予測におけるモデルの性能評価と, 変形を伴う時間メッシュアライメントへの応用について検討した。
論文参考訳（メタデータ） (2024-06-05T21:02:10Z)
Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
論文参考訳（メタデータ） (2023-10-09T20:32:49Z)
Invariant Slot Attention: Object Discovery with Slot-Centric Reference Frames [18.84636947819183]
自己組織化された方法でオブジェクトを学習するスロットベースのニューラルネットワークは、エキサイティングな進歩を遂げた。本稿では,スロット中心参照フレームを用いた空間対称性の簡易かつ高効率な実装法を提案する。提案手法は,CLEVR,Tetrominoes,CLEVR,Objects Room,MultiShapeNetなどの合成対象発見ベンチマークを用いて評価する。
論文参考訳（メタデータ） (2023-02-09T23:25:28Z)
Neural Motion Fields: Encoding Grasp Trajectories as Implicit Value Functions [65.84090965167535]
本稿では,ニューラルネットワークによってパラメータ化される暗黙的値関数として,オブジェクト点群と相対的タスク軌跡の両方を符号化する新しいオブジェクト表現であるNeural Motion Fieldsを提案する。このオブジェクト中心表現は、SE(3)空間上の連続分布をモデル化し、サンプリングベースのMPCを利用して、この値関数を最適化することで、反応的に把握することができる。
論文参考訳（メタデータ） (2022-06-29T18:47:05Z)
Robust Ego and Object 6-DoF Motion Estimation and Tracking [5.162070820801102]
本稿では,動的多体視覚計測における高精度な推定と一貫した追跡性を実現するためのロバストな解を提案する。セマンティック・インスタンスレベルのセグメンテーションと正確な光フロー推定の最近の進歩を活用して、コンパクトで効果的なフレームワークを提案する。追従点の品質と運動推定精度を向上させる新しい定式化SE(3)運動と光流が導入された。
論文参考訳（メタデータ） (2020-07-28T05:12:56Z)

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。