論文の概要: PHAC: Promptable Human Amodal Completion
- arxiv url: http://arxiv.org/abs/2603.14741v1
- Date: Mon, 16 Mar 2026 02:29:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 16:19:36.001472
- Title: PHAC: Promptable Human Amodal Completion
- Title（参考訳）: PHAC:人間のアモーダル・コンプリート
- Abstract要約: 本稿では、視覚的制約と複数のユーザプロンプトを満足しつつ、隠蔽された人間のイメージを補完する新しいタスクである、アクセラブル・ヒューマン・アモーダル・コンプリート(PHAC)を導入する。
HACおよびPGPISベンチマークの実験により、我々の手法はより物理的に妥当で高品質な完成をもたらすことが示された。
- 参考スコア（独自算出の注目度）: 4.687712818521871
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conditional image generation methods are increasingly used in human-centric applications, yet existing human amodal completion (HAC) models offer users limited control over the completed content. Given an occluded person image, they hallucinate invisible regions while preserving visible ones, but cannot reliably incorporate user-specified constraints such as a desired pose or spatial extent. As a result, users often resort to repeatedly sampling the model until they obtain a satisfactory output. Pose-guided person image synthesis (PGPIS) methods allow explicit pose conditioning, but frequently fail to preserve the instance-specific visible appearance and tend to be biased toward the training distribution, even when built on strong diffusion model priors. To address these limitations, we introduce promptable human amodal completion (PHAC), a new task that completes occluded human images while satisfying both visible appearance constraints and multiple user prompts. Users provide simple point-based prompts, such as additional joints for the target pose or bounding boxes for desired regions; these prompts are encoded using ControlNet modules specialized for each prompt type. These modules inject the prompt signals into a pre-trained diffusion model, and we fine-tune only the cross-attention blocks to obtain strong prompt alignment without degrading the underlying generative prior. To further preserve visible content, we propose an inpainting-based refinement module that starts from a slightly noised coarse completion, faithfully preserves the visible regions, and ensures seamless blending at occlusion boundaries. Extensive experiments on the HAC and PGPIS benchmarks show that our approach yields more physically plausible and higher-quality completions, while significantly improving prompt alignment compared with existing amodal completion and pose-guided synthesis methods.
- Abstract（参考訳）: 条件付き画像生成手法は、人間中心のアプリケーションでの利用が増えているが、既存のヒューマン・アモーダル・コンプリート(HAC)モデルは、ユーザーが完成コンテンツに対して限定的な制御を提供する。
隠蔽された人物像が与えられた場合、視界を保ちながら目に見えない領域を幻覚させるが、所望のポーズや空間的範囲といったユーザ指定の制約を確実に取り入れることはできない。
その結果、ユーザーは良好な出力を得るまで繰り返しモデルをサンプリングする。
PGPIS(Pose-Guided person Image synthesis)法では、明示的なポーズ条件付けが可能であるが、多くの場合、インスタンス固有の可視性を維持することができず、たとえ強い拡散モデルに基づく場合であっても、トレーニング分布に偏りが生じる傾向がある。
これらの制約に対処するために,目に見える制約と複数のユーザプロンプトを満足しつつ,隠蔽された人間のイメージを補完する新しいタスクである,アクセラブル・ヒューマン・アモーダル・コンプリート(PHAC)を導入する。
ユーザは、ターゲットのポーズのためのジョイントの追加や、所望のリージョンのバウンディングボックスなど、単純なポイントベースのプロンプトを提供する。
これらのモジュールは、事前学習した拡散モデルにプロンプト信号を注入し、我々はクロスアテンションブロックのみを微調整して、基礎となる生成前を劣化させることなく強力なプロンプトアライメントを得る。
可視コンテンツをさらに保存するために,わずかにノイズの多い粗い補修から始まり,可視領域を忠実に保存し,閉塞境界におけるシームレスなブレンディングを確実にする塗装ベースの精細モジュールを提案する。
HACおよびPGPISベンチマークの大規模な実験により,本手法は,既存のアモーダル補完法やポーズ誘導合成法と比較して,迅速なアライメントを向上しつつ,より物理的に可塑性で高品質なコンプリートが得られることが示された。
関連論文リスト
- Partial Skeleton Visibility for Action Recognition: A Constrained Field-of-View Approach [60.596944437968524]
partialVisGraphは、制約されたフィールド・オブ・ビューの下で、堅牢なスケルトンベースのアクション認識のための新しいフレームワークである。
部分的な可視性の下では、最先端の精度を一貫して達成し、厳しいFoV制限のあるサブセットでは68.8%まで上昇する。
提案手法は,非拘束環境下でのスケルトンに基づく行動理解を実現するための,原則的かつ実践的な経路を提供する。
論文 参考訳（メタデータ） (2026-07-01T10:03:11Z) - Geometry-Conditioned Diffusion for Occlusion-Robust In-Bed Pose Estimation [2.574393697080417]
本研究では,オクルージョン・アウェア・オーグメンテーションを幾何学的条件付き生成モデルタスクとして再構成する。
画像誘導法とは異なり、Pose-LDMは骨格キーポイントから直接毛布で覆われた画像を合成する。
その結果、幾何学条件付き拡散は、埋め込みポーズ推定に対する効果的かつ監督効率の高い経路を提供することを示した。
論文 参考訳（メタデータ） (2026-04-26T10:40:49Z) - Single Point, Full Mask: Velocity-Guided Level Set Evolution for End-to-End Amodal Segmentation [41.188891367216804]
アモーダルセグメンテーションは、視覚的な外観を持たない隠蔽領域を含む完全な物体の形状を復元することを目的としている。
既存の方法は、目に見えるマスクやバウンディングボックスのような強力なプロンプトに頼っている。
本稿では,点ベースのプロンプトから明示的な進化を行うVELAを提案する。
論文 参考訳（メタデータ） (2025-08-03T08:36:13Z) - d-Sketch: Improving Visual Fidelity of Sketch-to-Image Translation with Pretrained Latent Diffusion Models without Retraining [18.73832646369506]
本稿では,大規模な拡散モデルの特徴一般化機能を利用したスケッチ・ツー・イメージ翻訳手法を提案する。
実験結果から,提案手法は定性的,定量的なベンチマークにおいて既存の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2025-02-19T11:54:45Z) - MFCLIP: Multi-modal Fine-grained CLIP for Generalizable Diffusion Face Forgery Detection [64.29452783056253]
フォトリアリスティック・フェイスジェネレーション手法の急速な発展は、社会やアカデミックにおいて大きな関心を集めている。
既存のアプローチは主に画像モダリティを用いて顔の偽造パターンをキャプチャするが、きめ細かいノイズやテキストのような他のモダリティは完全には探索されていない。
そこで本研究では,画像ノイズの多点にわたる包括的かつきめ細かなフォージェリートレースをマイニングする,MFCLIP(MF-modal Fine-fine-fine-fine-fine-fine CLIP)モデルを提案する。
論文 参考訳（メタデータ） (2024-09-15T13:08:59Z) - TALE: Training-free Cross-domain Image Composition via Adaptive Latent Manipulation and Energy-guided Optimization [59.412236435627094]
TALEは、テキストから画像への拡散モデルの生成機能を利用する、トレーニング不要のフレームワークである。
TALEにはAdaptive Latent ManipulationとEnergy-Guided Latent Optimizationという2つのメカニズムが備わっている。
本実験は,TALEが従来のベースラインを超え,画像誘導合成における最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2024-08-07T08:52:21Z) - Coherent and Multi-modality Image Inpainting via Latent Space Optimization [61.99406669027195]
PILOT(intextbfPainting vtextbfIa textbfOptextbfTimization)は、新しいテキストセマンティック中央化とテキストセマンティック保存損失に基づく最適化手法である。
本手法は,背景とのコヒーレンスを維持しつつ,ユーザが提供するプロンプトに対して高い忠実度を示す塗装領域を生成できる潜時空間を探索する。
論文 参考訳（メタデータ） (2024-07-10T19:58:04Z) - Coarse-to-Fine Latent Diffusion for Pose-Guided Person Image Synthesis [65.7968515029306]
PGPIS(Pose-Guided Person Image Synthesis)のためのCFLD(Coarse-to-Fine Latent Diffusion)法を提案する。
認識修正デコーダは、学習可能なクエリの集合を段階的に洗練し、粗いプロンプトとして人物画像の意味的理解を抽出するように設計されている。
論文 参考訳（メタデータ） (2024-02-28T06:07:07Z) - LaCon: Late-Constraint Diffusion for Steerable Guided Image Synthesis [14.217743805048537]
本稿では,様々な条件を事前学習拡散モデルに同時に組み込むために,遅延制約拡散(LaCon)という代替パラダイムを提案する。
COCOデータセットの実験結果はLaConの有効性と優れた一般化能力を示している。
論文 参考訳（メタデータ） (2023-05-19T08:40:01Z) - High-Fidelity Guided Image Synthesis with Latent Diffusion Models [50.39294302741698]
提案手法は, ユーザ満足度スコアを85.32%以上上回り, 従来の最先端技術よりも優れていた。
人的ユーザ調査の結果、提案手法は、全体のユーザ満足度スコアにおいて、従来の最先端技術よりも85.32%以上優れていたことが示されている。
論文 参考訳（メタデータ） (2022-11-30T15:43:20Z)
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。