論文の概要: Shape-aware Inertial Poser: Motion Tracking for Humans with Diverse Shapes Using Sparse Inertial Sensors

• arxiv url: http://arxiv.org/abs/2510.17101v1
• Date: Mon, 20 Oct 2025 02:20:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.284366
• Title: Shape-aware Inertial Poser: Motion Tracking for Humans with Diverse Shapes Using Sparse Inertial Sensors
• Title（参考訳）: 形状認識慣性電位:スパース慣性センサを用いた異形人間の運動追跡
• Authors: Lu Yin, Ziying Shi, Yinghao Wu, Xinyu Yi, Feng Xu, Shihui Guo,
• Abstract要約: 形状認識型慣性ポーザ (SAIP) はスパース慣性型モーションキャプチャにおける体形差を考慮した第一解法である。 我々は、実物体のIMU測定加速度をテンプレート成体モデルに合わせるために回帰モデルを訓練する。 次に、形状対応の物理最適化戦略を用いて、対象のグローバルな動きを計算する。
• 参考スコア（独自算出の注目度）: 18.850688096145493
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human motion capture with sparse inertial sensors has gained significant attention recently. However, existing methods almost exclusively rely on a template adult body shape to model the training data, which poses challenges when generalizing to individuals with largely different body shapes (such as a child). This is primarily due to the variation in IMU-measured acceleration caused by changes in body shape. To fill this gap, we propose Shape-aware Inertial Poser (SAIP), the first solution considering body shape differences in sparse inertial-based motion capture. Specifically, we decompose the sensor measurements related to shape and pose in order to effectively model their joint correlations. Firstly, we train a regression model to transfer the IMU-measured accelerations of a real body to match the template adult body model, compensating for the shape-related sensor measurements. Then, we can easily follow the state-of-the-art methods to estimate the full body motions of the template-shaped body. Finally, we utilize a second regression model to map the joint velocities back to the real body, combined with a shape-aware physical optimization strategy to calculate global motions on the subject. Furthermore, our method relies on body shape awareness, introducing the first inertial shape estimation scheme. This is accomplished by modeling the shape-conditioned IMU-pose correlation using an MLP-based network. To validate the effectiveness of SAIP, we also present the first IMU motion capture dataset containing individuals of different body sizes. This dataset features 10 children and 10 adults, with heights ranging from 110 cm to 190 cm, and a total of 400 minutes of paired IMU-Motion samples. Extensive experimental results demonstrate that SAIP can effectively handle motion capture tasks for diverse body shapes. The code and dataset are available at https://github.com/yinlu5942/SAIP.
• Abstract（参考訳）: 少ない慣性センサーによる人間のモーションキャプチャーが近年注目されている。 しかし、既存の方法はトレーニングデータのモデル化にテンプレートアダルト・ボディ・フォームにのみ依存しており、ほとんど異なるボディ・フォームを持つ個人(例えば子供)に一般化する際には課題が生じる。 これは主に体型の変化によるIMU測定加速度の変化によるものである。 このギャップを埋めるために, スパース慣性型モーションキャプチャにおける体形差を考慮した最初のソリューションである形状認識慣性ポーザ (SAIP) を提案する。 具体的には,関節の相関を効果的にモデル化するために,形状とポーズに関するセンサ計測を分解する。 まず、回帰モデルを用いて実体のIMU測定加速度を変換し、テンプレートアダルト体モデルと一致させ、形状関連センサ測定を補正する。 そして, テンプレート形状体の全身運動を推定するために, 最先端の手法を簡単に追従できる。 最後に、第2回帰モデルを用いて、実際の物体に関節速度をマッピングし、形状を意識した物理最適化戦略と組み合わせて、対象のグローバルな動きを計算する。 さらに,本手法は,最初の慣性形状推定方式を導入して,身体形状の認識に依存する。 MLPネットワークを用いて形状条件付きIMU位置相関をモデル化して実現した。 また,SAIPの有効性を検証するため,身体サイズの異なる個人を含む最初のIMUモーションキャプチャーデータセットも提示した。 このデータセットには、110cmから190cmまでの身長を持つ10人の子供と10人の大人と、合計400分間のIMU-Motionサンプルが含まれている。 広範囲な実験結果から,SAIPは身体形状の異なるモーションキャプチャータスクを効果的に処理できることが示唆された。 コードとデータセットはhttps://github.com/yinlu5942/SAIPで入手できる。

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)
• 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)
• ShapeBoost: Boosting Human Shape Estimation with Part-Based Parameterization and Clothing-Preserving Augmentation [58.50613393500561]
  本研究では,新しい形状復元フレームワークであるShapeBoostを提案する。 稀な体型であってもピクセルレベルのアライメントを実現し、異なるタイプの服を着ている人には高い精度が期待できる。
  論文  参考訳（メタデータ） (2024-03-02T23:40:23Z)
• Transformer Inertial Poser: Attention-based Real-time Human Motion Reconstruction from Sparse IMUs [79.72586714047199]
  本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。 提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
  論文  参考訳（メタデータ） (2022-03-29T16:24:52Z)
• 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)
• LatentHuman: Shape-and-Pose Disentangled Latent Representation for Human Bodies [78.17425779503047]
  本稿では,人体に対する新しい暗黙の表現法を提案する。 完全に微分可能で、非交叉形状で最適化可能であり、潜在空間を映し出す。 我々のモデルは、よく設計された損失を伴う、水密でない生データを直接訓練し、微調整することができる。
  論文  参考訳（メタデータ） (2021-11-30T04:10:57Z)
• HEMlets PoSh: Learning Part-Centric Heatmap Triplets for 3D Human Pose and Shape Estimation [60.35776484235304]
  本研究は, 中間状態部分熱マップトリプレット(HEMlets)を導入し, 検出された2次元関節を三次元空間に持ち上げる不確実性に対処しようとするものである。 HEMletsは3つのジョイントヒートマップを使用して、各骨格体部に対するエンドジョイントの相対的な深さ情報を表す。 Convolutional Network (ConvNet) は、入力画像からHEMletを予測し、次にボリュームのジョイント・ヒートマップレグレッションを学習する。
  論文  参考訳（メタデータ） (2020-03-10T04:03:45Z)

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。