論文の概要: UDAPose: Unsupervised Domain Adaptation for Low-Light Human Pose Estimation

• arxiv url: http://arxiv.org/abs/2604.10485v1
• Date: Sun, 12 Apr 2026 06:37:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.047612
• Title: UDAPose: Unsupervised Domain Adaptation for Low-Light Human Pose Estimation
• Title（参考訳）: UDAPose: 低照度人文推定のための教師なしドメイン適応
• Authors: Haopeng Chen, Yihao Ai, Kabeen Kim, Robby T. Tan, Yixin Chen, Bo Wang,
• Abstract要約: ポーズ推定のための教師なしドメイン適応(UDAPose)を提案する。 UDAPoseは低照度画像を合成し、ポーズ前のポーズを動的に融合してポーズ推定を改善する。 実験の結果、UDAPoseは最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 29.049710327499607
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-visibility scenarios, such as low-light conditions, pose significant challenges to human pose estimation due to the scarcity of annotated low-light datasets and the loss of visual information under poor illumination. Recent domain adaptation techniques attempt to utilize well-lit labels by augmenting well-lit images to mimic low-light conditions. But handcrafted augmentations oversimplify noise patterns, while learning-based methods often fail to preserve high-frequency low-light characteristics, producing unrealistic images that lead pose models to generalize poorly to real low-light scenes. Moreover, recent pose estimators rely on image cues through image-to-keypoint cross-attention, but these cues become unreliable under low-light conditions. To address these issues, we propose Unsupervised Domain Adaptation for Pose Estimation (UDAPose), a novel framework that synthesizes low-light images and dynamically fuses visual cues with pose priors for improved pose estimation. Specifically, our synthesis method incorporates a Direct-Current-based High-Pass Filter (DHF) and a Low-light Characteristics Injection Module (LCIM) to inject high-frequency details from input low-light images, overcoming rigidity or the detail loss in existing approaches. Furthermore, we introduce a Dynamic Control of Attention (DCA) module that adaptively balances image cues with learned pose priors in the Transformer architecture. Experiments show that UDAPose outperforms state-of-the-art methods, with notable AP gains of 10.1 (56.4%) on the ExLPose-test hard set (LL-H) and 7.4 (31.4%) in cross-dataset validation on EHPT-XC. Code: https://github.com/Vision-and-Multimodal-Intelligence-Lab/UDAPose
• Abstract（参考訳）: 低照度条件のような低視認性シナリオは、注釈付き低照度データセットの不足と照明不足による視覚情報の喪失により、人間のポーズ推定に重大な課題を生じさせる。 近年の領域適応技術は、低照度条件を模倣するために、高照度画像を拡大することにより、良照度ラベルの利用を試みる。 しかし、手作りの強化はノイズパターンを単純化する一方、学習ベースの手法は高周波数の低照度特性を保たないことが多い。 さらに、近年のポーズ推定装置は、画像とキーポイントの交差注意による画像の手がかりに依存しているが、これらの手がかりは低照度条件下では信頼性が低い。 これらの問題に対処するために、低照度画像を合成し、ポーズ前のポーズを動的に融合してポーズ推定を改善する新しいフレームワークであるUnsupervised Domain Adaptation for Pose Estimation (UDAPose)を提案する。 具体的には、直流型高パスフィルタ(DHF)と低光特性注入モジュール(LCIM)を組み込んで、入力された低光画像から高周波数の詳細を注入し、剛性や既存手法の詳細な損失を克服する。 さらに、トランスフォーマーアーキテクチャにおいて、画像キューと学習したポーズ先とを適応的にバランスさせる動的注意制御(DCA)モジュールを導入する。 実験の結果、UDAPoseはExLPose-test hard set (LL-H)では10.1 (56.4%)、EHPT-XCでは7.4 (31.4%)、最先端の手法では10.1 (56.4%)を達成している。 コード:https://github.com/Vision-and-Multimodal-Intelligence-Lab/UDAPose

関連論文リスト

• Robust Low-Light Human Pose Estimation through Illumination-Texture Modulation [45.37915061527004]
  現在の手法では、ピクセルレベルの拡張に依存するため、高品質な表現が提供できない。 本稿では,低照度人間のポーズ推定のための周波数に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-14T11:42:54Z)
• Unsupervised Low-light Image Enhancement with Lookup Tables and Diffusion Priors [38.96909959677438]
  低照度画像強調(LIE)は、低照度環境において劣化した画像を高精度かつ効率的に回収することを目的としている。 近年の先進的なLIE技術は、多くの低正規の光画像対、ネットワークパラメータ、計算資源を必要とするディープニューラルネットワークを使用している。 拡散先行とルックアップテーブルに基づく新しい非教師付きLIEフレームワークを考案し,低照度画像の効率的な回復を実現する。
  論文  参考訳（メタデータ） (2024-09-27T16:37:27Z)
• Boosting Object Detection with Zero-Shot Day-Night Domain Adaptation [33.142262765252795]
  精巧なデータで訓練された検出器は、可視性が低いため、低照度データに対して顕著な性能低下を示す。 我々は、ゼロショット昼夜領域適応による低照度物体検出の高速化を提案する。 本手法は,低照度データを必要とすることなく,高照度シナリオから低照度シナリオへの検出器の一般化を行う。
  論文  参考訳（メタデータ） (2023-12-02T20:11:48Z)
• LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models [54.93010869546011]
  本稿では,事前学習した潜伏拡散モデルを用いて,超低照度画像の高精細化のためのニューラルISPを実現することを提案する。 具体的には、RAWドメイン上で動作するために事前訓練された潜在拡散モデルを調整するために、軽量なテーミングモジュールのセットをトレーニングする。 遅延拡散モデルにおけるUNet復調と復号化の異なる役割を観察し、低照度画像強調タスクを遅延空間低周波コンテンツ生成と復号位相高周波ディテール保守に分解するきっかけとなる。
  論文  参考訳（メタデータ） (2023-12-02T04:31:51Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• Diffusion in the Dark: A Diffusion Model for Low-Light Text Recognition [78.50328335703914]
  ディフュージョン・イン・ザ・ダーク (Diffusion in the Dark, DiD) は、テキスト認識のための低照度画像再構成のための拡散モデルである。 実画像上での低照度テキスト認識において,Digital DiDがSOTAの低照度手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-07T23:52:51Z)
• Deep Bilateral Retinex for Low-Light Image Enhancement [96.15991198417552]
  低照度画像は、低コントラスト、色歪み、測定ノイズによる視界の低下に悩まされる。 本稿では,低照度画像強調のための深層学習手法を提案する。 提案手法は最先端の手法と非常に競合し, 極めて低照度で撮影した画像の処理において, 他に比べて大きな優位性を有する。
  論文  参考訳（メタデータ） (2020-07-04T06:26:44Z)
• Unsupervised Low-light Image Enhancement with Decoupled Networks [103.74355338972123]
  我々は、実世界の低照度画像を教師なしで拡張する2段階のGANベースのフレームワークを学習する。 提案手法は,照度向上と雑音低減の両面から,最先端の教師なし画像強調法より優れる。
  論文  参考訳（メタデータ） (2020-05-06T13:37:08Z)

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。