論文の概要: Adaptive Parameter Optimization for Robust Remote Photoplethysmography

• arxiv url: http://arxiv.org/abs/2511.21903v1
• Date: Wed, 26 Nov 2025 20:45:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.294861
• Title: Adaptive Parameter Optimization for Robust Remote Photoplethysmography
• Title（参考訳）: ロバストリモート光合成のための適応パラメータ最適化
• Authors: Cecilia G. Morales, Fanurs Chi En Teh, Kai Li, Pushpak Agrawal, Artur Dubrawski,
• Abstract要約: 投影型信号混合(PRISM)は教師なし手法の最先端性能を実現する。 これにより、適応時系列最適化は様々な条件でrを著しく改善する。
• 参考スコア（独自算出の注目度）: 17.439033592683835
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Remote photoplethysmography (rPPG) enables contactless vital sign monitoring using standard RGB cameras. However, existing methods rely on fixed parameters optimized for particular lighting conditions and camera setups, limiting adaptability to diverse deployment environments. This paper introduces the Projection-based Robust Signal Mixing (PRISM) algorithm, a training-free method that jointly optimizes photometric detrending and color mixing through online parameter adaptation based on signal quality assessment. PRISM achieves state-of-the-art performance among unsupervised methods, with MAE of 0.77 bpm on PURE and 0.66 bpm on UBFC-rPPG, and accuracy of 97.3\% and 97.5\% respectively at a 5 bpm threshold. Statistical analysis confirms PRISM performs equivalently to leading supervised methods ($p > 0.2$), while maintaining real-time CPU performance without training. This validates that adaptive time series optimization significantly improves rPPG across diverse conditions.
• Abstract（参考訳）: リモート光胸腺撮影(rPPG)は、標準RGBカメラを用いた接触のないバイタルサインモニタリングを可能にする。 しかし、既存の手法は特定の照明条件やカメラの設定に最適化された固定パラメータに依存しており、多様な配置環境への適応性が制限されている。 本稿では,PRISM(Production-based Robust Signal Mixing)アルゴリズムについて紹介する。 UBFC-rPPGではMAEが0.77bpm、UBFC-rPPGでは0.66bpm、精度は97.3\%、97.5\%である。 統計的解析により、PRISMはトレーニングなしでリアルタイムCPU性能を維持しながら、指導的手法のリード(p > 0.2$)と同等に動作することを確認した。 これにより、適応時系列最適化は様々な条件でrPPGを大幅に改善する。

関連論文リスト

• EDFFDNet: Towards Accurate and Efficient Unsupervised Multi-Grid Image Registration [17.190325630307097]
  本稿では指数デカイ基底関数を用いた自由形変形を用いた指数デカイ自由形変形ネットワーク(EDFFDNet)を提案する。 密接な相互作用をスパースなものにすることで、ASMAはパラメータを減らし、精度を向上させる。 EDFFDNetは、パラメータ、メモリ、総ランタイムをそれぞれ70.5%、32.6%、33.7%削減することを示した。 EDFFDNet-2はより少ない計算コストを維持しながらPSNRを1.06dB改善する。
  論文  参考訳（メタデータ） (2025-09-09T12:30:51Z)
• ESSA: Evolutionary Strategies for Scalable Alignment [8.418036456622158]
  我々は,前向き推論とブラックボックス最適化のみを用いて,Large Language Models (LLM) を整列する勾配のないフレームワークであるESSAを提案する。 ESSAはQwen2.5-Math-7Bのテスト精度をGSM8Kで12.6%、PRM800Kで14.8%改善し、IFEvalでLLaMA3.1-8Bの精度を22.5%向上させた。 大規模な設定では、ESSAは勾配ベースの方法よりもスケーリングが強い。
  論文  参考訳（メタデータ） (2025-07-06T16:23:07Z)
• Memory-efficient Low-latency Remote Photoplethysmography through Temporal-Spatial State Space Duality [15.714133129768323]
  ME-rは時間空間空間双対性に基づくメモリ効率のアルゴリズムである。 最小の計算オーバーヘッドを維持しながら、顔フレーム間の微妙な周期的な変動を効率的に捉える。 我々のソリューションは3.6MBのメモリ使用率と9.46msのレイテンシでリアルタイムの推論を可能にする。
  論文  参考訳（メタデータ） (2025-04-02T14:34:04Z)
• DiSK: Differentially Private Optimizer with Simplified Kalman Filter for Noise Reduction [57.83978915843095]
  本稿では,微分プライベート勾配の性能を著しく向上する新しいフレームワークであるDiSKを紹介する。 大規模トレーニングの実用性を確保するため,Kalmanフィルタプロセスを簡素化し,メモリと計算要求を最小化する。
  論文  参考訳（メタデータ） (2024-10-04T19:30:39Z)
• LoRAPrune: Structured Pruning Meets Low-Rank Parameter-Efficient Fine-Tuning [56.88751562302793]
  低ランク適応 (LoRA) が大型言語モデル (LLM) に登場した。 LoRAPruneは、高度にメモリ効率の良い正確な構造化プルーンドモデルを提供する新しいフレームワークである。 LoRAPruneはWikiText2では4.81、TBでは3.46、メモリ使用量は52.6%減少している。
  論文  参考訳（メタデータ） (2023-05-28T15:15:48Z)
• Improved Touchless Respiratory Rate Sensing [0.0]
  画素強度変化に基づく新しい1次元プロファイル生成法を提案する。 新たな動作信号グルーピング法により、追加の精度ゲインを得る。 我々は、リアルタイムの連続RRモニタリングを可能にする標準パイプラインにいくつかの変更を導入する。
  論文  参考訳（メタデータ） (2022-11-21T16:45:06Z)
• Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
  Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。 本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。 我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
  論文  参考訳（メタデータ） (2022-09-27T07:58:25Z)
• Private Adaptive Optimization with Side Information [48.91141546624768]
  AdaDPSは、非感度側情報を用いて勾配を前提とした一般的なフレームワークである。 AdaDPSは、同様のプライバシー保証を達成するのに必要なノイズを減らす。 以上の結果から,AdaDPSの精度は平均7.7%向上した。
  論文  参考訳（メタデータ） (2022-02-12T03:02:06Z)
• TFPnP: Tuning-free Plug-and-Play Proximal Algorithm with Applications to Inverse Imaging Problems [22.239477171296056]
  Plug-and-Play (MM) は非最適化フレームワークであり、例えば、数値アルゴリズムと高度なデノゲーション前処理を組み合わせたものである。 我々は、学習戦略とともに最先端の成果である、より難解な問題に対するいくつかの実践的考察について論じる。
  論文  参考訳（メタデータ） (2020-11-18T14:19:30Z)

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。