論文の概要: Learning Human-Object Interaction for 3D Human Pose Estimation from LiDAR Point Clouds

• arxiv url: http://arxiv.org/abs/2603.16343v1
• Date: Tue, 17 Mar 2026 10:20:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.218507
• Title: Learning Human-Object Interaction for 3D Human Pose Estimation from LiDAR Point Clouds
• Title（参考訳）: LiDAR点雲からの3次元人物位置推定のための人間と物体の相互作用の学習
• Authors: Daniel Sungho Jung, Dohee Cho, Kyoung Mu Lee,
• Abstract要約: LiDARポイントクラウドから人間を理解することは、自動運転における最も重要なタスクの1つだ。 既存の手法は、人間とオブジェクトの相互作用を活用して、堅牢な3Dポーズ推定フレームワークを構築する可能性を大きく見落としている。 そこで我々は,LiDAR点雲からの堅牢な3次元ポーズ推定のためのヒューマン・オブジェクト・インタラクション・ラーニング・フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 49.219348802596876
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Understanding humans from LiDAR point clouds is one of the most critical tasks in autonomous driving due to its close relationships with pedestrian safety, yet it remains challenging in the presence of diverse human-object interactions and cluttered backgrounds. Nevertheless, existing methods largely overlook the potential of leveraging human-object interactions to build robust 3D human pose estimation frameworks. There are two major challenges that motivate the incorporation of human-object interaction. First, human-object interactions introduce spatial ambiguity between human and object points, which often leads to erroneous 3D human keypoint predictions in interaction regions. Second, there exists severe class imbalance in the number of points between interacting and non-interacting body parts, with the interaction-frequent regions such as hand and foot being sparsely observed in LiDAR data. To address these challenges, we propose a Human-Object Interaction Learning (HOIL) framework for robust 3D human pose estimation from LiDAR point clouds. To mitigate the spatial ambiguity issue, we present human-object interaction-aware contrastive learning (HOICL) that effectively enhances feature discrimination between human and object points, particularly in interaction regions. To alleviate the class imbalance issue, we introduce contact-aware part-guided pooling (CPPool) that adaptively reallocates representational capacity by compressing overrepresented points while preserving informative points from interacting body parts. In addition, we present an optional contact-based temporal refinement that refines erroneous per-frame keypoint estimates using contact cues over time. As a result, our HOIL effectively leverages human-object interaction to resolve spatial ambiguity and class imbalance in interaction regions. Codes will be released.
• Abstract（参考訳）: LiDARの点雲から人間を理解することは、歩行者の安全と密接な関係にあるため、自動運転において最も重要なタスクの1つである。 それでも既存の手法は、人間とオブジェクトの相互作用を活用して、堅牢な3Dポーズ推定フレームワークを構築する可能性を大きく見落としている。 人間と物体の相互作用の組み入れを動機付ける2つの大きな課題がある。 第一に、人間と物体の相互作用は、人間と物体の間の空間的あいまいさを導入し、しばしば相互作用領域における誤った3次元人間のキーポイント予測をもたらす。 第2に、相互作用する身体部位と非相互作用する身体部位の点数に深刻な不均衡が存在し、LiDARデータでは手や足などの相互作用頻度の低い領域が軽視されている。 これらの課題に対処するために,LiDAR点雲からの堅牢な3次元ポーズ推定のためのHuman-Object Interaction Learning (HOIL)フレームワークを提案する。 空間的あいまいさの問題を緩和するため,人間と物体間の特徴識別,特に相互作用領域における特徴識別を効果的に強化する,人間と物体の相互作用を意識したコントラスト学習(HOICL)を提案する。 クラス不均衡の問題を緩和するため,接触認識部分誘導プーリング(CPPool)を導入し,過剰表現点を圧縮し,相互作用する身体部分から情報点を保存することで表現能力を適応的に再配置する。 さらに, フレーム単位のキーポイント推定を時間経過とともに改善する, 任意の接触ベース時間改善手法を提案する。 その結果,人間と物体の相互作用を効果的に活用し,相互作用領域における空間的あいまいさとクラス不均衡を解消した。 コードはリリースされる。

関連論文リスト

• LEMON: Learning 3D Human-Object Interaction Relation from 2D Images [56.6123961391372]
  人間の物体と物体の相互作用関係の学習は、AIと相互作用モデリングの具体化に不可欠である。 既存のほとんどの手法は、孤立した相互作用要素を予測することを学ぶことで目標に近づいている。 本稿では,相互の相互作用意図をマイニングし,幾何相関の抽出を導出するための曲率を用いた統一モデルLEMONを提案する。
  論文  参考訳（メタデータ） (2023-12-14T14:10:57Z)
• InterDiff: Generating 3D Human-Object Interactions with Physics-Informed Diffusion [29.25063155767897]
  本稿では,3次元物体相互作用(HOI)の予測に向けた新しい課題について述べる。 我々のタスクは、様々な形状の動的物体をモデリングし、全身の動きを捉え、物理的に有効な相互作用を確実にする必要があるため、はるかに困難である。 複数の人-物間相互作用データセットを用いた実験は,本手法の有効性を実証し,現実的で,鮮明で,かつ,極めて長期にわたる3D HOI予測を生成できることを示した。
  論文  参考訳（メタデータ） (2023-08-31T17:59:08Z)
• HODN: Disentangling Human-Object Feature for HOI Detection [51.48164941412871]
  本稿では,Human and Object Disentangling Network (HODN) を提案し,Human-Object Interaction (HOI) の関係を明示的にモデル化する。 インタラクションに人間的特徴がより寄与していることを考慮し,インタラクションデコーダが人間中心の領域に焦点を当てていることを確認するためのヒューマンガイドリンク手法を提案する。 提案手法は,V-COCOとHICO-Det Linkingデータセットの競合性能を実現する。
  論文  参考訳（メタデータ） (2023-08-20T04:12:50Z)
• Full-Body Articulated Human-Object Interaction [61.01135739641217]
  CHAIRSは16.2時間の多目的相互作用からなる大規模な動きキャプチャーされたf-AHOIデータセットである。 CHAIRSは、対話的なプロセス全体を通して、人間と明瞭なオブジェクトの両方の3Dメッシュを提供する。 HOIにおける幾何学的関係を学習することにより,人間のポーズ推定を利用した最初のモデルが考案された。
  論文  参考訳（メタデータ） (2022-12-20T19:50:54Z)

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。