論文の概要: PGcGAN: Pathological Gait-Conditioned GAN for Human Gait Synthesis

• arxiv url: http://arxiv.org/abs/2603.14409v1
• Date: Sun, 15 Mar 2026 14:50:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.795126
• Title: PGcGAN: Pathological Gait-Conditioned GAN for Human Gait Synthesis
• Title（参考訳）: PGcGAN:ヒト歩行合成のための病理学的歩行調整GAN
• Authors: Mritula Chandrasekaran, Sanket Kachole, Jarek Francik, Dimitrios Makris,
• Abstract要約: 本稿では,3次元ポーズ・キーポイント・トラジェクトリデータから直接,病理特異的な歩行シーケンスを合成するPGcGAN(Pathological Gait- Conditioned Generative Adversarial Network)を提案する。 このフレームワークは、ジェネレータと識別器の両方に1ホットエンコードされた病理ラベルを組み込み、6つの歩行カテゴリで制御された合成を可能にする。
• 参考スコア（独自算出の注目度）: 11.395610680393276
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pathological gait analysis is constrained by limited and variable clinical datasets, which restrict the modeling of diverse gait impairments. To address this challenge, we propose a Pathological Gait-conditioned Generative Adversarial Network (PGcGAN) that synthesises pathology-specific gait sequences directly from observed 3D pose keypoint trajectories data. The framework incorporates one-hot encoded pathology labels within both the generator and discriminator, enabling controlled synthesis across six gait categories. The generator adopts a conditional autoencoder architecture trained with adversarial and reconstruction objectives to preserve structural and temporal gait characteristics. Experiments on the Pathological Gait Dataset demonstrate strong alignment between real and synthetic sequences through PCA and t-SNE analyses, visual kinematic inspection, and downstream classification tasks. Augmenting real data with synthetic sequences improved pathological gait recognition across GRU, LSTM, and CNN models, indicating that pathology-conditioned gait synthesis can effectively support data augmentation in pathological gait analysis.
• Abstract（参考訳）: 病理歩行分析は、多様な歩行障害のモデリングを制限する限定的かつ可変的な臨床データセットによって制約される。 この課題に対処するため、我々は、観測された3次元ポーズキーポイント軌跡データから直接、病理特異的な歩行シーケンスを合成する、病的歩行条件生成適応ネットワーク(PGcGAN)を提案する。 このフレームワークは、ジェネレータと識別器の両方に1ホットエンコードされた病理ラベルを組み込み、6つの歩行カテゴリで制御された合成を可能にする。 このジェネレータは、対向的および再構成目的で訓練された条件付きオートエンコーダアーキテクチャを採用して、構造的および時間的歩行特性を保存する。 病理歩行データセットの実験では、PCAとt-SNE分析、視覚運動検査、下流分類タスクを通じて、実際の配列と合成配列の強い整合性を示す。 GRU,LSTM,CNNモデル間の病理歩行認識を改良し,病的歩行解析において,病的歩行合成を効果的に支援できることが示唆された。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
  HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。 システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
  論文  参考訳（メタデータ） (2025-08-01T20:30:42Z)
• PhysLLM: Harnessing Large Language Models for Cross-Modal Remote Physiological Sensing [49.243031514520794]
  LLM(Large Language Models)は、テキスト中心の設計のため、長距離信号の取得に優れる。 PhysLLMは最先端の精度とロバスト性を実現し、照明のバリエーションや動きのシナリオにまたがる優れた一般化を示す。
  論文  参考訳（メタデータ） (2025-05-06T15:18:38Z)
• GAITGen: Disentangled Motion-Pathology Impaired Gait Generative Model -- Bringing Motion Generation to the Clinical Domain [6.001148593361787]
  GAITGenは、特定の病理重症度レベルに基づいて、現実的な歩行シーケンスを生成する新しいフレームワークである。 新たなPD-GaMデータセットの実験により、GAITGenは、再構成の忠実度と生成品質の両方において、適応された最先端モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2025-03-28T13:06:45Z)
• Synthetic Data for Robust Stroke Segmentation [0.0]
  ニューロイメージングにおける病変のセグメンテーションに対する現在のディープラーニングベースのアプローチは、高解像度の画像と広範囲な注釈付きデータに依存することが多い。 本稿では,脳卒中病変のセグメンテーションに適した新しい合成データフレームワークを提案する。 我々のアプローチは、正常組織と病理組織の両方にまたがるセグメンテーションを促進するために、健康なデータセットと脳卒中データセットからラベルマップでモデルを訓練する。
  論文  参考訳（メタデータ） (2024-04-02T13:42:29Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。