論文の概要: Latent-Info and Low-Dimensional Learning for Human Mesh Recovery and Parallel Optimization
- arxiv url: http://arxiv.org/abs/2510.18267v1
- Date: Tue, 21 Oct 2025 03:35:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:12.847939
- Title: Latent-Info and Low-Dimensional Learning for Human Mesh Recovery and Parallel Optimization
- Title（参考訳）: 人間のメッシュ回復と並列最適化のための潜時情報と低次元学習
- Authors: Xiang Zhang, Suping Wu, Sheng Yang,
- Abstract要約: 既存の3Dヒューマンメッシュリカバリ手法は、潜伏した情報を十分に活用できないことが多い。
本稿では,潜伏情報と低次元学習に基づくメッシュ回復のための2段階ネットワークを提案する。
- 参考スコア（独自算出の注目度）: 9.929988374685964
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing 3D human mesh recovery methods often fail to fully exploit the latent information (e.g., human motion, shape alignment), leading to issues with limb misalignment and insufficient local details in the reconstructed human mesh (especially in complex scenes). Furthermore, the performance improvement gained by modelling mesh vertices and pose node interactions using attention mechanisms comes at a high computational cost. To address these issues, we propose a two-stage network for human mesh recovery based on latent information and low dimensional learning. Specifically, the first stage of the network fully excavates global (e.g., the overall shape alignment) and local (e.g., textures, detail) information from the low and high-frequency components of image features and aggregates this information into a hybrid latent frequency domain feature. This strategy effectively extracts latent information. Subsequently, utilizing extracted hybrid latent frequency domain features collaborates to enhance 2D poses to 3D learning. In the second stage, with the assistance of hybrid latent features, we model the interaction learning between the rough 3D human mesh template and the 3D pose, optimizing the pose and shape of the human mesh. Unlike existing mesh pose interaction methods, we design a low-dimensional mesh pose interaction method through dimensionality reduction and parallel optimization that significantly reduces computational costs without sacrificing reconstruction accuracy. Extensive experimental results on large publicly available datasets indicate superiority compared to the most state-of-the-art.
- Abstract（参考訳）: 既存の3次元メッシュ回復法では、潜伏した情報(例えば、人間の動き、形状のアライメント)を完全に活用することができず、手足の不整合や、再建された人間のメッシュ(特に複雑なシーン)の局所的な詳細が不十分な問題を引き起こす。
さらに、メッシュ頂点をモデル化し、アテンション機構を用いたノード間相互作用を行うことにより得られる性能改善は、高い計算コストで実現される。
これらの課題に対処するために,潜伏情報と低次元学習に基づくヒューマンメッシュ回復のための2段階ネットワークを提案する。
具体的には、ネットワークの第1段階は、画像特徴の低周波成分と高周波成分からグローバル(例えば、全体形状アライメント)と局所(例えば、テクスチャ、詳細)情報を完全抽出し、この情報をハイブリッド潜時周波数領域特徴に集約する。
この戦略は潜伏情報を効果的に抽出する。
その後、抽出したハイブリッド潜時周波数領域の機能を活用して、3D学習のための2Dポーズを強化する。
第2段階では、ハイブリッド潜伏機能を用いて、粗い3次元メッシュテンプレートと3次元ポーズの相互作用学習をモデル化し、人間のメッシュのポーズと形状を最適化する。
従来のメッシュポーズ相互作用法とは異なり、次元の削減と並列最適化により、再構成精度を犠牲にすることなく計算コストを大幅に削減する低次元メッシュポーズ相互作用法を設計する。
大規模な公開データセットに対する大規模な実験結果は、最も最先端のデータセットよりも優れていることを示している。
関連論文リスト
- DiHuR: Diffusion-Guided Generalizable Human Reconstruction [51.31232435994026]
一般化可能なヒト3次元再構成のための拡散誘導モデルであるDiHuRを導入し,スパース・ミニマル・オーバーラップ画像からのビュー合成について述べる。
提案手法は, 一般化可能なフィードフォワードモデルと2次元拡散モデルとの2つのキー前処理をコヒーレントな方法で統合する。
論文 参考訳（メタデータ） (2024-11-16T03:52:23Z) - StackFLOW: Monocular Human-Object Reconstruction by Stacked Normalizing Flow with Offset [56.71580976007712]
本研究では,人間のメッシュと物体メッシュの表面から密にサンプリングされたアンカー間の人物体オフセットを用いて,人物体空間関係を表現することを提案する。
この表現に基づいて、画像から人・物間の空間関係の後方分布を推定するスタック正規化フロー(StackFLOW)を提案する。
最適化段階では、サンプルの可能性を最大化することにより、人体ポーズと物体6Dポーズを微調整する。
論文 参考訳（メタデータ） (2024-07-30T04:57:21Z) - Graph and Skipped Transformer: Exploiting Spatial and Temporal Modeling Capacities for Efficient 3D Human Pose Estimation [36.93661496405653]
我々は、簡潔なグラフとSkipped Transformerアーキテクチャを用いて、Transformer-temporal情報を活用するためのグローバルなアプローチを採っている。
具体的には、3Dポーズの段階では、粗粒の体部が展開され、完全なデータ駆動適応モデルが構築される。
実験はHuman3.6M、MPI-INF-3DHP、Human-Evaベンチマークで行われた。
論文 参考訳（メタデータ） (2024-07-03T10:42:09Z) - Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。
一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
論文 参考訳（メタデータ） (2024-06-17T07:43:53Z) - A Modular Multi-stage Lightweight Graph Transformer Network for Human
Pose and Shape Estimation from 2D Human Pose [4.598337780022892]
提案手法では, 再現精度を犠牲にすることなく, 計算効率を優先する, ポーズに基づくヒューマンメッシュ再構築手法を提案する。
提案手法は,グラフトランスフォーマーを用いて2次元人間のポーズにおける構造的および暗黙的な関節関係を解析する2D-to-3Dリフトモジュールと,抽出したポーズ特徴とメッシュテンプレートを組み合わせたメッシュ回帰モジュールからなり,最終的なメッシュパラメータを生成する。
論文 参考訳（メタデータ） (2023-01-31T04:42:47Z) - RiCS: A 2D Self-Occlusion Map for Harmonizing Volumetric Objects [68.85305626324694]
カメラ空間における光マーチング (RiCS) は、3次元における前景物体の自己閉塞を2次元の自己閉塞マップに表現する新しい手法である。
表現マップは画像の質を高めるだけでなく,時間的コヒーレントな複雑な影効果をモデル化できることを示す。
論文 参考訳（メタデータ） (2022-05-14T05:35:35Z) - A Lightweight Graph Transformer Network for Human Mesh Reconstruction
from 2D Human Pose [8.816462200869445]
GTRSは2次元の人間のポーズから人間のメッシュを再構築する。
我々は、Human3.6Mと3DPWデータセットの広範囲な評価により、GTRSの効率性と一般化を実証する。
論文 参考訳（メタデータ） (2021-11-24T18:48:03Z) - Higher-Order Implicit Fairing Networks for 3D Human Pose Estimation [1.1501261942096426]
2次元から3次元のポーズ推定のための初期残差接続を持つ高階グラフ畳み込みフレームワークを提案する。
我々のモデルは、体節間の長距離依存関係を捉えることができる。
2つの標準ベンチマークで行った実験と改善研究は、我々のモデルの有効性を実証した。
論文 参考訳（メタデータ） (2021-11-01T13:48:55Z) - Learning 3D Human Shape and Pose from Dense Body Parts [117.46290013548533]
本研究では,3次元の人体形状を学習し,身体部分の密接な対応からポーズをとるために,分解・集約ネットワーク(DaNet)を提案する。
ローカルストリームからのメッセージは集約され、回転ベースのポーズの堅牢な予測が強化される。
提案手法は,Human3.6M,UP3D,COCO,3DPWを含む屋内および実世界のデータセットで検証される。
論文 参考訳（メタデータ） (2019-12-31T15:09:51Z)
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。