論文の概要: Sparkle: A Robust and Versatile Representation for Point Cloud based Human Motion Capture

• arxiv url: http://arxiv.org/abs/2604.00857v1
• Date: Wed, 01 Apr 2026 13:09:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.998335
• Title: Sparkle: A Robust and Versatile Representation for Point Cloud based Human Motion Capture
• Title（参考訳）: Sparkle: ポイントクラウドに基づく人間のモーションキャプチャのためのロバストでVersatile表現
• Abstract要約: 本研究では,骨格関節と表面アンカーを明示的な運動幾何学的因子分解で統一した構造表現であるSparkleを提案する。 我々のフレームワークであるSparkleMotionは、幾何学的連続性と運動論的制約を埋め込んだ階層的なモジュールを通して、この表現を学習する。
• 参考スコア（独自算出の注目度）: 49.03484143534186
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud-based motion capture leverages rich spatial geometry and privacy-preserving sensing, but learning robust representations from noisy, unstructured point clouds remains challenging. Existing approaches face a struggle trade-off between point-based methods (geometrically detailed but noisy) and skeleton-based ones (robust but oversimplified). We address the fundamental challenge: how to construct an effective representation for human motion capture that can balance expressiveness and robustness. In this paper, we propose Sparkle, a structured representation unifying skeletal joints and surface anchors with explicit kinematic-geometric factorization. Our framework, SparkleMotion, learns this representation through hierarchical modules embedding geometric continuity and kinematic constraints. By explicitly disentangling internal kinematic structure from external surface geometry, SparkleMotion achieves state-of-the-art performance not only in accuracy but crucially in robustness and generalization under severe domain shifts, noise, and occlusion. Extensive experiments demonstrate our superiority across diverse sensor types and challenging real-world scenarios.
• Abstract（参考訳）: ポイントクラウドベースのモーションキャプチャは、リッチな空間幾何学とプライバシ保護センシングを活用するが、ノイズの多い非構造化のポイントクラウドから堅牢な表現を学ぶことは依然として困難である。 既存のアプローチは、ポイントベースの方法(幾何学的には詳細だがノイズが多い)とスケルトンベースの方法(ロバストだが過度に単純化されている)のトレードオフに直面している。 我々は、表現力と頑健さのバランスをとることのできる、人間のモーションキャプチャーの効果的な表現をどのように構築するかという根本的な課題に対処する。 本稿では,骨格関節と表面アンカーを明示的な運動幾何学的因子分解で統一した構造表現であるSparkleを提案する。 我々のフレームワークであるSparkleMotionは、幾何学的連続性と運動論的制約を埋め込んだ階層的なモジュールを通して、この表現を学習する。 外部表面形状から内部キネマティック構造を明示的に切り離すことにより、SparkleMotionは、精度だけでなく、厳しい領域シフト、ノイズ、閉塞の下での堅牢性と一般化において、最先端のパフォーマンスを達成する。 大規模な実験は、さまざまなセンサータイプにまたがる優位性を示し、現実のシナリオに挑戦する。

関連論文リスト

• Monocular Vision Based Control Framework for Grasping [8.44254908378373]
  本稿では,単一制御パイプライン内の軟質物体と剛質物体の両方を対象とする,視覚に基づく把握フレームワークを提案する。 提案システムは,開語彙オブジェクト検出,画像分割,境界認識点割当,リアルタイム点追跡,単眼深度推定を組み合わせたシステムである。 その結果, 視覚フィードバックのみを用いて, ソフトオブジェクトと剛体オブジェクトの両方を安定的に把握できることが実証された。
  論文  参考訳（メタデータ） (2026-07-08T20:13:17Z)
• Vision Pretraining for Dense Spatial Perception [69.54043654361772]
  我々は境界中心レンズによる視力事前訓練について研究し、境界と形状の不連続性が幾何学的性質の知覚に必須の手がかりとなるという前提によって動機づけられた。 その結果,境界モデリングは単純な線分を超えて,空間的に構造化された視覚表現を学習するためのスケーラブルな事前学習原理として機能することがわかった。
  論文  参考訳（メタデータ） (2026-07-06T15:56:14Z)
• Detailed Geometry and Appearance from Opportunistic Motion [44.38825288921379]
  固定カメラの粗い集合から3次元形状と外観を再構築することは、幅広い用途において基礎的な課題である。 静止カメラは局所座標フレーム内の物体の軌道を効果的に公転し、仮想的な視点を提供する。 しかし、この物体の動きを調和させることは、物体のポーズの密結合と幾何学的推定と、静的照明下で動く物体の複雑な外観変化の2つの課題をもたらす。
  論文  参考訳（メタデータ） (2026-03-27T17:59:16Z)
• Motion Forcing: A Decoupled Framework for Robust Video Generation in Motion Dynamics [37.22501359080204]
  ビデオ生成平衡の安定化を目的としたフレームワークである textbfMotion Forcing を導入する。 我々の重要な洞察は、視覚合成から物理的推論を明確に分離することである。 自動運転ベンチマークの実験によると、Motion Forcingは最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-03-11T04:44:46Z)
• Kinematify: Open-Vocabulary Synthesis of High-DoF Articulated Objects [59.51185639557874]
  本稿では,任意のRGB画像やテキスト記述から直接音声オブジェクトを合成するフレームワークであるKinematifyを紹介する。 提案手法は, 高DoFオブジェクトに対する運動的トポロジの推測と静的幾何からの関節パラメータの推定という2つの課題に対処する。
  論文  参考訳（メタデータ） (2025-11-03T07:21:42Z)
• Explicitly Disentangled Representations in Object-Centric Learning [0.0]
  本稿では, オブジェクト中心のモデルを, 密接な形状やテクスチャ成分に偏在させる新しいアーキテクチャを提案する。 特に, オブジェクト中心のモデルを, 密接な形状やテクスチャ成分に偏在させる新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-18T17:22:11Z)
• ZoomNeXt: A Unified Collaborative Pyramid Network for Camouflaged Object Detection [70.11264880907652]
  最近のオブジェクト(COD)は、現実のシナリオでは極めて複雑で難しい、視覚的にブレンドされたオブジェクトを周囲に分割しようと試みている。 本研究では,不明瞭な画像を観察したり,ズームインしたりアウトしたりする際の人間の行動を模倣する,効果的な統合協調ピラミッドネットワークを提案する。 我々のフレームワークは、画像とビデオのCODベンチマークにおいて、既存の最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2023-10-31T06:11:23Z)
• Spotlight Attention: Robust Object-Centric Learning With a Spatial Locality Prior [88.9319150230121]
  オブジェクト中心のビジョンは、シーン内のオブジェクトの明示的な表現を構築することを目的としています。 我々は、空間的局所性を最先端のオブジェクト中心視覚モデルに組み込む。 合成および実世界の両方のデータセットにおけるセグメンテーションオブジェクトの大幅な改善が得られた。
  論文  参考訳（メタデータ） (2023-05-31T04:35:50Z)
• Robust and Controllable Object-Centric Learning through Energy-based Models [95.68748828339059]
  我々の研究は概念的にシンプルで一般的なアプローチであり、エネルギーベースモデルを通してオブジェクト中心の表現を学習する。 既存のアーキテクチャに容易に統合でき、高品質なオブジェクト中心表現を効果的に抽出できることを示す。
  論文  参考訳（メタデータ） (2022-10-11T15:11:15Z)
• A Hierarchy-Aware Pose Representation for Deep Character Animation [2.47343886645587]
  深層キャラクタアニメーションに適した動きモデリングのための頑健なポーズ表現を提案する。 我々の表現は、回転方向と位置方向を同時にエンコードする、よく定義された演算を持つ数学的抽象化である二重四元数に基づいている。 我々の表現は共通の動きを克服し、他の一般的な表現と比較してその性能を評価する。
  論文  参考訳（メタデータ） (2021-11-27T14:33:24Z)

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。