論文の概要: Generative Modeling of Shape-Dependent Self-Contact Human Poses

• arxiv url: http://arxiv.org/abs/2509.23393v1
• Date: Sat, 27 Sep 2025 16:26:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.2031
• Title: Generative Modeling of Shape-Dependent Self-Contact Human Poses
• Title（参考訳）: 形状依存型自己接触型ロボットの創成モデル
• Authors: Takehiko Ohkawa, Jihyun Lee, Shunsuke Saito, Jason Saragih, Fabian Prado, Yichen Xu, Shoou-I Yu, Ryosuke Furuta, Yoichi Sato, Takaaki Shiratori,
• Abstract要約: その関連性にもかかわらず、既存の自己接触データセットには多様な自己接触のポーズと正確な身体形状がない。 本研究は,130名の被験者を対象とした383Kの自己接触ポーズからなる,身体形状を正確に登録した最初の大規模自己接触データセットであるGoliath-SCを紹介する。 本稿では, 自己注意を伴う身体的部分的潜伏拡散に基づく, 身体形状パラメータによる自己接触先行条件の生成モデルを提案する。
• 参考スコア（独自算出の注目度）: 48.30189394803952
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: One can hardly model self-contact of human poses without considering underlying body shapes. For example, the pose of rubbing a belly for a person with a low BMI leads to penetration of the hand into the belly for a person with a high BMI. Despite its relevance, existing self-contact datasets lack the variety of self-contact poses and precise body shapes, limiting conclusive analysis between self-contact poses and shapes. To address this, we begin by introducing the first extensive self-contact dataset with precise body shape registration, Goliath-SC, consisting of 383K self-contact poses across 130 subjects. Using this dataset, we propose generative modeling of self-contact prior conditioned by body shape parameters, based on a body-part-wise latent diffusion with self-attention. We further incorporate this prior into single-view human pose estimation while refining estimated poses to be in contact. Our experiments suggest that shape conditioning is vital to the successful modeling of self-contact pose distribution, hence improving single-view pose estimation in self-contact.
• Abstract（参考訳）: 基礎となる体形を考慮せずに人間のポーズの自己接触をモデル化することはほとんどできない。 例えば、BMIの低い人のために腹をこするポーズは、高いBMIの人のために手を腹に浸透させる。 その関連性にもかかわらず、既存の自己接触型データセットには、さまざまな自己接触型ポーズと正確な身体形状が欠けており、自己接触型ポーズと形状の間の決定的な分析が制限されている。 そこで本研究では,130名の被験者を対象とした383Kの自己接触ポーズからなる,身体形状を正確に登録した最初の広範囲な自己接触データセットであるGoliath-SCを紹介した。 本データセットを用いて,自己注意を伴う身体的部分的潜在拡散に基づく,身体形状パラメータによる自己接触先行条件の生成モデルを提案する。 さらに、この事前情報を人間の単視点ポーズ推定に組み込むとともに、推定ポーズが接触していると推定したポーズを精算する。 実験により, 形状条件付けは自己接触ポーズ分布のモデル化に不可欠であることが示唆された。

関連論文リスト

• ATLAS: Decoupling Skeletal and Shape Parameters for Expressive Parametric Human Modeling [43.66748605071065]
  240個の同期カメラを用いて,600kの高分解能スキャンから得られた高忠実度ボディモデルATLASを提案する。 我々は、人間の骨格にメッシュ表現を接地することで、形状と骨格の基部を明示的に分離する。 ATLASは、未確認の被写体を多様なポーズに適合させることで既存の手法よりも優れており、定量的評価により、我々の非線形ポーズ補正が線形モデルと比較して複雑なポーズをより効果的に捉えていることが示されている。
  論文  参考訳（メタデータ） (2025-08-21T17:58:56Z)
• Whole-Body Conditioned Egocentric Video Prediction [98.94980209293776]
  我々は、人間行動(PEVA)からエゴ中心のビデオを予測するモデルを訓練する。 身体の関節階層によって構成される運動的ポーズの軌跡を条件にすることで,人間の身体行動が1対1の視点から環境をどう形成するかをシミュレートする。 我々の研究は、複雑な現実世界の環境をモデル化し、人間の視点から映像を予測するエージェントの振る舞いを具体化するための最初の試みである。
  論文  参考訳（メタデータ） (2025-06-26T17:59:59Z)
• Leveraging Anthropometric Measurements to Improve Human Mesh Estimation and Ensure Consistent Body Shapes [12.932412290302258]
  推定した3次元キーポイント位置の精度に関して,SOTA 3D人間ポーズ推定(HPE)モデルがHMEモデルより優れていることがわかった。 A2Bと呼ばれるモデルを作成し、人間のメッシュモデルの基本形状パラメータに変換する。
  論文  参考訳（メタデータ） (2024-09-26T09:30:37Z)
• Pose Priors from Language Models [74.61186408764559]
  言語はしばしば物理的相互作用を記述するために使用されるが、ほとんどの3次元人間のポーズ推定方法は、この豊富な情報ソースを見下ろしている。 我々は、コンタクトポーズの再構築に先立って、大型マルチモーダルモデル(LMM)を活用することにより、このギャップを埋める。
  論文  参考訳（メタデータ） (2024-05-06T17:59:36Z)
• ALiSNet: Accurate and Lightweight Human Segmentation Network for Fashion E-Commerce [57.876602177247534]
  スマートフォンは、ユーザーが自分の身体の画像をキャプチャする便利な手段を提供する。 我々は、PointRendでSemantic FPNを単純化することで、新しいセグメンテーションモデルを作成する。 我々は、このモデルを、私たちのアプリケーションに関連するポーズの制限されたセットで、高品質な人間のデータセットに微調整する。
  論文  参考訳（メタデータ） (2023-04-15T11:06:32Z)
• Imposing Temporal Consistency on Deep Monocular Body Shape and Pose Estimation [67.23327074124855]
  本稿では,適合過程における時間的制約の統合に対するエレガントな解法を提案する。 我々は、顎ポーズ、表情、指ポーズを含む人物の形状と動きを表す一連の身体モデルのパラメーターを導出する。 本手法は,表情や手話を含む画像系列からリアルな3次元体モデルの導出を可能にする。
  論文  参考訳（メタデータ） (2022-02-07T11:11:55Z)
• Learning Complex 3D Human Self-Contact [33.83748199524761]
  既存の3次元再構成法は, 身体領域の自己接触に焦点を合わせない。 自己接触体表面のシグネチャを推定する自己接触予測モデルを開発した。 自己接触シグネチャ制約下での表現力に富む3次元再構成の再現性を示す。
  論文  参考訳（メタデータ） (2020-12-18T17:09:34Z)

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。