論文の概要: MoViD: View-Invariant 3D Human Pose Estimation via Motion-View Disentanglement

• arxiv url: http://arxiv.org/abs/2604.03299v1
• Date: Sun, 29 Mar 2026 09:08:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.482777
• Title: MoViD: View-Invariant 3D Human Pose Estimation via Motion-View Disentanglement
• Title（参考訳）: MoViD:モーション・ビュー・ディタングルメントによるビュー不変3次元人物位置推定
• Authors: Yejia Liu, Hengle Jiang, Haoxian Liu, Runxi Huang, Xiaomin Ouyang,
• Abstract要約: 視覚特徴から視点情報を遠ざける3次元人物ポーズ推定フレームワークであるMoViDを提案する。 MoViDは、最先端の手法と比較して、ポーズ推定誤差を24.2%以上削減する。 MoViDはNVIDIAエッジデバイス上で15FPSのリアルタイム推論を実現する。
• 参考スコア（独自算出の注目度）: 2.1383141762884152
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D human pose estimation is a key enabling technology for applications such as healthcare monitoring, human-robot collaboration, and immersive gaming, but real-world deployment remains challenged by viewpoint variations. Existing methods struggle to generalize to unseen camera viewpoints, require large amounts of training data, and suffer from high inference latency. We propose MoViD, a viewpoint-invariant 3D human pose estimation framework that disentangles viewpoint information from motion features. The key idea is to extract viewpoint information from intermediate pose features and leverage it to enhance both the robustness and efficiency of pose estimation. MoViD introduces a view estimator that models key joint relationships to predict viewpoint information, and an orthogonal projection module to disentangle motion and view features, further enhanced through physics-grounded contrastive alignment across views. For real-time edge deployment, MoViD employs a frame-by-frame inference pipeline with a view-aware strategy that adaptively activates flip refinement based on the estimated viewpoint. Evaluations on nine public datasets and newly collected multiview UAV and gait analysis datasets show that MoViD reduces pose estimation error by over 24.2\% compared to state-of-the-art methods, maintains robust performance under severe occlusions with 60\% less training data, and achieves real-time inference at 15 FPS on NVIDIA edge devices.
• Abstract（参考訳）: 3D人間のポーズ推定は、医療監視、人間とロボットのコラボレーション、没入型ゲームといったアプリケーションにとって重要な技術である。 既存の方法は、見えないカメラの視点に一般化するのに苦労し、大量のトレーニングデータを必要とし、高い推論遅延に悩まされる。 視覚特徴から視点情報を遠ざける3次元人物ポーズ推定フレームワークであるMoViDを提案する。 鍵となる考え方は、中間ポーズ特徴から視点情報を抽出し、それを利用してポーズ推定の堅牢性と効率性を高めることである。 MoViDは、視点情報を予測するためにキージョイント関係をモデル化するビュー推定器と、動きとビューの特徴を歪ませる直交射影モジュールを導入し、ビューをまたいだ物理地上のコントラストアライメントによってさらに強化した。 リアルタイムエッジデプロイメントのために、MoViDは、推定された視点に基づいてフリップリファインメントを適応的に活性化するビューアウェア戦略を備えたフレーム・バイ・フレーム推論パイプラインを使用している。 9つの公開データセットと新たに収集されたマルチビューUAVおよび歩行分析データセットの評価から、MoViDは最先端の手法と比較してポーズ推定誤差を24.2倍削減し、60\%のトレーニングデータで厳しい閉塞下で堅牢なパフォーマンスを維持し、NVIDIAエッジデバイス上で15 FPSのリアルタイム推論を実現する。

関連論文リスト

• DeProPose: Deficiency-Proof 3D Human Pose Estimation via Adaptive Multi-View Fusion [57.83515140886807]
  欠陥認識型3Dポーズ推定の課題について紹介する。 DeProPoseは、トレーニングの複雑さを減らすために、ネットワークアーキテクチャをシンプルにするためのフレキシブルなメソッドである。 我々は,新しい3次元ポーズ推定データセットを開発した。
  論文  参考訳（メタデータ） (2025-02-23T03:22:54Z)
• UPose3D: Uncertainty-Aware 3D Human Pose Estimation with Cross-View and Temporal Cues [55.69339788566899]
  UPose3Dは多視点人間のポーズ推定のための新しいアプローチである。 直接的な3Dアノテーションを必要とせずに、堅牢性と柔軟性を向上させる。
  論文  参考訳（メタデータ） (2024-04-23T00:18:00Z)
• Unsupervised View-Invariant Human Posture Representation [28.840986167408037]
  本研究では、2次元画像からビュー不変な3次元ポーズ表現を抽出することを学ぶ新しい教師なしアプローチを提案する。 本モデルは,同時フレーム間の人間のポーズの内在的なビュー不変性を活用することで訓練される。 RGB画像と深度画像の非教師なしのクロスビュー動作分類精度の改善を示す。
  論文  参考訳（メタデータ） (2021-09-17T19:23:31Z)
• Self-Attentive 3D Human Pose and Shape Estimation from Videos [82.63503361008607]
  3D人間のポーズと形状推定のためのビデオベースの学習アルゴリズムを紹介します。 ビデオの時間情報を利用して自己着脱モジュールを提案する。 本手法を3DPW, MPI-INF-3DHP, Human3.6Mデータセット上で評価した。
  論文  参考訳（メタデータ） (2021-03-26T00:02:19Z)
• Kinematic-Structure-Preserved Representation for Unsupervised 3D Human Pose Estimation [58.72192168935338]
  大規模インスタディオデータセットの監視を用いて開発された人間のポーズ推定モデルの一般化可能性については疑問が残る。 本稿では,2対あるいは2対の弱い監督者によって抑制されない,新しいキネマティック構造保存型非教師付き3次元ポーズ推定フレームワークを提案する。 提案モデルでは,前方運動学,カメラ投影,空間マップ変換という3つの連続的な微分可能変換を用いる。
  論文  参考訳（メタデータ） (2020-06-24T23:56:33Z)

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。