論文の概要: Towards Cybersickness Severity Classification from VR Gameplay Videos Using Transfer Learning and Temporal Modeling

• arxiv url: http://arxiv.org/abs/2510.10422v1
• Date: Sun, 12 Oct 2025 03:10:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.932599
• Title: Towards Cybersickness Severity Classification from VR Gameplay Videos Using Transfer Learning and Temporal Modeling
• Title（参考訳）: トランスファーラーニングと時間モデルを用いたVRゲームプレイ映像のサイバーシック度分類に向けて
• Authors: Jyotirmay Nag Setu, Kevin Desai, John Quarles,
• Abstract要約: 運動障害に似た症状を特徴とするサイバーシックネスは、仮想現実(VR)の普及を妨げ続けている 本研究では、画像Netデータセット上で事前学習したInceptionV3モデルを用いて、転送学習を利用してVRゲームプレイビデオから高精細な視覚特徴を抽出する。 本手法は,映像データの時系列特性を効果的に活用し,サイバーシック度重大度に対する68.4%の分類精度を実現する。
• 参考スコア（独自算出の注目度）: 9.488297561764211
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rapid advancement of virtual reality (VR) technology, its adoption across domains such as healthcare, education, and entertainment has grown significantly. However, the persistent issue of cybersickness, marked by symptoms resembling motion sickness, continues to hinder widespread acceptance of VR. While recent research has explored multimodal deep learning approaches leveraging data from integrated VR sensors like eye and head tracking, there remains limited investigation into the use of video-based features for predicting cybersickness. In this study, we address this gap by utilizing transfer learning to extract high-level visual features from VR gameplay videos using the InceptionV3 model pretrained on the ImageNet dataset. These features are then passed to a Long Short-Term Memory (LSTM) network to capture the temporal dynamics of the VR experience and predict cybersickness severity over time. Our approach effectively leverages the time-series nature of video data, achieving a 68.4% classification accuracy for cybersickness severity. This surpasses the performance of existing models trained solely on video data, providing a practical tool for VR developers to evaluate and mitigate cybersickness in virtual environments. Furthermore, this work lays the foundation for future research on video-based temporal modeling for enhancing user comfort in VR applications.
• Abstract（参考訳）: 仮想現実(VR)技術の急速な進歩により、医療、教育、エンターテイメントといった分野にまたがる普及が著しく進んでいる。 しかし、運動障害に似た症状を特徴とするサイバーシックネスの持続的な問題は、VRの普及を妨げ続けている。 近年の研究では、目や頭部追跡といった統合VRセンサーのデータを活用するマルチモーダルなディープラーニングアプローチが検討されているが、サイバーシックを予測するためのビデオベースの機能の使用については、限定的な調査が続けられている。 本研究では,画像Netデータセット上で事前学習したInceptionV3モデルを用いて,転送学習を利用してVRゲームプレイビデオからハイレベルな視覚特徴を抽出する。 これらの機能はLong Short-Term Memory (LSTM)ネットワークに渡され、VR体験の時間的ダイナミクスを捉え、時間とともにサイバーシックな重大さを予測する。 本手法は,映像データの時系列特性を効果的に活用し,サイバーシック度重大度に対する68.4%の分類精度を実現する。 これは、ビデオデータのみにトレーニングされた既存のモデルのパフォーマンスを上回り、VR開発者が仮想環境におけるサイバーシックを評価し緩和するための実用的なツールを提供する。 さらに、この研究は、VRアプリケーションにおけるユーザの快適性を高めるために、ビデオベースの時間的モデリングに関する将来の研究の基盤となる。

関連論文リスト

• False Reality: Uncovering Sensor-induced Human-VR Interaction Vulnerability [15.246996684892348]
  False Realityは、ソフトウェアへのアクセスや修正を必要とせず、VRデバイスに対する新たな脅威だ。 我々はこれらの脅威を攻撃経路の枠組みを通じて形式化し、3つの代表的な経路を検証する。 今後のVRシステムのセキュリティとレジリエンスを高めるための貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2025-08-11T14:47:23Z)
• SeedVR2: One-Step Video Restoration via Diffusion Adversarial Post-Training [82.68200031146299]
  実データに対する対角的VRトレーニングを行うセドVR2と呼ばれる一段階拡散型VRモデルを提案する。 単一ステップで高精細度VRを扱うために、モデルアーキテクチャとトレーニング手順の両方にいくつかの拡張を導入する。
  論文  参考訳（メタデータ） (2025-06-05T17:51:05Z)
• Towards Consumer-Grade Cybersickness Prediction: Multi-Model Alignment for Real-Time Vision-Only Inference [3.4667973471411853]
  サイバーシックネスは没入型バーチャルリアリティ(VR)の普及の大きな障害である 我々は、パーソナライズされたサイバーシックネス予測のためのスケーラブルでデプロイ可能なフレームワークを提案する。 当社のフレームワークは,コンシューマレベルのVRプラットフォームとの統合に理想的なリアルタイムアプリケーションをサポートしています。
  論文  参考訳（メタデータ） (2025-01-02T11:41:43Z)
• Mazed and Confused: A Dataset of Cybersickness, Working Memory, Mental Load, Physical Load, and Attention During a Real Walking Task in VR [11.021668923244803]
  認知活動、身体活動、およびサイバーシックネスの親しみやすい感情との関係はよく理解されていない。 頭部の向き,頭部の位置,視線追跡,画像,外部センサーからの生理的読影,自己報告されたサイバーシック度,身体負荷,心的負荷をVRで収集した。
  論文  参考訳（メタデータ） (2024-09-10T22:41:14Z)
• Cybersickness Detection through Head Movement Patterns: A Promising Approach [1.1562071835482226]
  本研究では,サイバーシック検出のための新しい生理指標としての頭部運動パターンについて検討する。 頭部の動きは、あらゆる商用VRヘッドセットに埋め込まれたセンサーを通して簡単に捉えられる、連続的で非侵襲的な測定手段を提供する。
  論文  参考訳（メタデータ） (2024-02-05T04:49:59Z)
• Deep Motion Masking for Secure, Usable, and Scalable Real-Time Anonymization of Virtual Reality Motion Data [49.68609500290361]
  最近の研究では、ほぼすべてのVRアプリケーションで使われているモーショントラッキングの「テレメトリ」データが、指紋スキャンと同じくらいに識別可能であることが示されている。 本稿では、既知の防御対策を確実に回避できる最先端のVR識別モデルを提案する。
  論文  参考訳（メタデータ） (2023-11-09T01:34:22Z)
• Towards a Pipeline for Real-Time Visualization of Faces for VR-based Telepresence and Live Broadcasting Utilizing Neural Rendering [58.720142291102135]
  バーチャルリアリティー用のヘッドマウントディスプレイ(HMD)は、VRにおける現実的な対面会話にかなりの障害をもたらす。 本稿では,低コストなハードウェアに焦点をあて,単一のGPUを用いたコモディティゲームコンピュータで使用できるアプローチを提案する。
  論文  参考訳（メタデータ） (2023-01-04T08:49:51Z)
• Force-Aware Interface via Electromyography for Natural VR/AR Interaction [69.1332992637271]
  我々はVR/ARにおける自然的および直感的な力入力のための学習ベースのニューラルネットワークを設計する。 我々は,3.3%の平均誤差で指の力量をリアルタイムでデコードし,キャリブレーションの少ない新規ユーザに一般化できることを実証した。 今後のVR/ARにおける、より現実的な物理性に向けた研究を進めるために、我々の研究成果を期待する。
  論文  参考訳（メタデータ） (2022-10-03T20:51:25Z)
• Learning Effect of Lay People in Gesture-Based Locomotion in Virtual Reality [81.5101473684021]
  最も有望な方法はジェスチャーベースであり、追加のハンドヘルドハードウェアを必要としない。 最近の研究は、主に異なるロコモーションテクニックのユーザの好みとパフォーマンスに焦点を当てている。 本研究は,VRにおける手のジェスチャーに基づくロコモーションシステムへの適応の迅速さについて検討した。
  論文  参考訳（メタデータ） (2022-06-16T10:44:16Z)
• Wireless Edge-Empowered Metaverse: A Learning-Based Incentive Mechanism for Virtual Reality [102.4151387131726]
  メタバースにおけるVRサービスのための学習型インセンティブメカニズムフレームワークを提案する。 まず,仮想世界におけるVRユーザのための指標として,知覚の質を提案する。 第二に、VRユーザー(買い手)とVR SP(売り手)間のVRサービスの迅速な取引のために、オランダの二重オークション機構を設計する。 第3に,この競売プロセスの高速化を目的とした深層強化学習型競売機を設計する。
  論文  参考訳（メタデータ） (2021-11-07T13:02:52Z)
• Learning-based Prediction and Uplink Retransmission for Wireless Virtual Reality (VR) Network [29.640073851481066]
  本稿では、オフラインおよびオンライン学習アルゴリズムを用いて、実際のvrデータセットを用いて、vrユーザの視点を予測する。 提案手法は,無線VRネットワークを有効再送信方式で接続するオンライン学習アルゴリズムでは,約5%の予測誤差しか示さない。
  論文  参考訳（メタデータ） (2020-12-16T18:31:05Z)

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。