論文の概要: SPRig: Self-Supervised Pose-Invariant Rigging from Mesh Sequences

• arxiv url: http://arxiv.org/abs/2602.12740v1
• Date: Fri, 13 Feb 2026 09:08:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.89945
• Title: SPRig: Self-Supervised Pose-Invariant Rigging from Mesh Sequences
• Title（参考訳）: SPRig: メッシュシーケンスからの自己監督型ポス不変リグ
• Authors: Ruipeng Wang, Langkun Zhong, Miaowei Wang,
• Abstract要約: State-of-the-art riggingメソッドは、標準安息のポーズを前提とします。 SPRigは、既存のモデル上でポーズ不変性を学ぶために、クロスフレーム一貫性の損失を強制する一般的な微調整フレームワークである。
• 参考スコア（独自算出の注目度）: 3.276906364372961
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State-of-the-art rigging methods assume a canonical rest pose--an assumption that fails for sequential data (e.g., animal motion capture or AIGC/video-derived mesh sequences) that lack the T-pose. Applied frame-by-frame, these methods are not pose-invariant and produce topological inconsistencies across frames. Thus We propose SPRig, a general fine-tuning framework that enforces cross-frame consistency losses to learn pose-invariant rigs on top of existing models. We validate our approach on rigging using a new permutation-invariant stability protocol. Experiments demonstrate SOTA temporal stability: our method produces coherent rigs from challenging sequences and dramatically reduces the artifacts that plague baseline methods. The code will be released publicly upon acceptance.
• Abstract（参考訳）: State-of-the-art rigging(最先端のリギング)メソッドは、標準安静ポーズを仮定する - シーケンシャルなデータ(例えば、動物の動きのキャプチャやAIGC/ビデオ由来のメッシュシーケンス)に失敗する仮定で、T-poseを欠いている。 フレーム単位で適用すると、これらの手法はポーズ不変ではなく、フレーム間のトポロジ的不整合を生み出す。 そこで我々は,既存のモデル上でポーズ不変リグを学習するために,クロスフレーム一貫性の損失を強制する汎用的な微調整フレームワークであるSPRigを提案する。 我々は新しい置換不変安定プロトコルを用いてリギングのアプローチを検証する。 実験によりSOTAの時間安定性が実証された。我々の手法は、挑戦的なシーケンスからコヒーレントリグを生成し、ベースライン手法を悩ませるアーティファクトを劇的に削減する。 コードは受理後、公開されます。

関連論文リスト

• Invariance on Manifolds: Understanding Robust Visual Representations for Place Recognition [19.200074425090595]
  本稿では,2次幾何統計フレームワークを提案する。 提案手法では、固定されたトレーニング済みのバックボーン上に構築されたトレーニング不要のフレームワークを導入し、パラメータ更新なしで強力なゼロショット一般化を実現する。
  論文  参考訳（メタデータ） (2026-01-31T18:12:29Z)
• Robust Canonicalization through Bootstrapped Data Re-Alignment [5.437226012505534]
  昆虫や鳥の識別などのきめ細かい視覚分類タスクは、微妙な視覚的手がかりに対する感受性を必要とする。 分散を低減してトレーニングサンプルを反復的に調整するブートストラップアルゴリズムを提案する。 本手法は,拡張と同等の性能を保ちながら,同変および正準化ベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-10-09T13:05:20Z)
• Low-Rank Tensor Recovery via Variational Schatten-p Quasi-Norm and Jacobian Regularization [49.85875869048434]
  暗黙的神経表現のためのニューラルネットワークによりパラメータ化されたCPベースの低ランクテンソル関数を提案する。 本研究では、スペーサーCP分解を実現するために、冗長なランク1成分に変分Schatten-p quasi-normを導入する。 滑らか性のために、ヤコビアンとハッチンソンのトレース推定器のスペクトルノルムに基づく正規化項を提案する。
  論文  参考訳（メタデータ） (2025-06-27T11:23:10Z)
• UNOPose: Unseen Object Pose Estimation with an Unposed RGB-D Reference Image [86.7128543480229]
  見えないオブジェクトのポーズ推定方法はCADモデルや複数の参照ビューに依存することが多い。 参照取得を簡略化するために,未提示のRGB-D参照画像を用いて未確認オブジェクトのポーズを推定することを目的とする。 単参照型オブジェクトポーズ推定のための新しいアプローチとベンチマークをUNOPoseと呼ぶ。
  論文  参考訳（メタデータ） (2024-11-25T05:36:00Z)
• Diagnosing and Rectifying Fake OOD Invariance: A Restructured Causal Approach [51.012396632595554]
  不変表現学習(IRL)は、不変因果的特徴から環境から切り離されたラベルへの予測を促進する。 最近の理論的結果は、IRLによって回復されたいくつかの因果的特徴は、訓練環境ではドメイン不変のふりをするが、目に見えない領域では失敗する。 本研究では,RS-SCMに関する条件付き相互情報に基づく手法を開発し,その効果を巧みに補正する。
  論文  参考訳（メタデータ） (2023-12-15T12:58:05Z)
• RS-Del: Edit Distance Robustness Certificates for Sequence Classifiers via Randomized Deletion [23.309600117618025]
  離散列分類器のランダム化スムーシングを適用して、編集距離境界の敵に対して確固たるロバスト性を提供する。 私たちの証明は、確立されたNeyman-Pearsonアプローチから逸脱したものです。 一般的なMalConvマルウェア検出モデルに適用すると、スムーシング機構RS-Delは128バイトの編集距離半径で91%の精度を達成できる。
  論文  参考訳（メタデータ） (2023-01-31T01:40:26Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)

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。