論文の概要: OmniHuman: A Large-scale Dataset and Benchmark for Human-Centric Video Generation

• arxiv url: http://arxiv.org/abs/2604.18326v1
• Date: Mon, 20 Apr 2026 14:28:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.933795
• Title: OmniHuman: A Large-scale Dataset and Benchmark for Human-Centric Video Generation
• Title（参考訳）: OmniHuman:人間中心のビデオ生成のための大規模データセットとベンチマーク
• Authors: Lei Zhu, Xing Cai, Yingjie Chen, Yiheng Li, Binxin Yang, Hao Liu, Jie Chen, Chen Li, Jing LYu,
• Abstract要約: 我々は,人間の微細なモデリングのために設計された大規模マルチシーンデータセットであるOmniHumanを紹介する。 OmniHuman Benchmark (OHBench) は人中心オーディオビデオ合成のための科学的診断を提供する3段階評価システムである。
• 参考スコア（独自算出の注目度）: 25.63459032324644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in audio-video joint generation models have demonstrated impressive capabilities in content creation. However, generating high-fidelity human-centric videos in complex, real-world physical scenes remains a significant challenge. We identify that the root cause lies in the structural deficiencies of existing datasets across three dimensions: limited global scene and camera diversity, sparse interaction modeling (both person-person and person-object), and insufficient individual attribute alignment. To bridge these gaps, we present OmniHuman, a large-scale, multi-scene dataset designed for fine-grained human modeling. OmniHuman provides a hierarchical annotation covering video-level scenes, frame-level interactions, and individual-level attributes. To facilitate this, we develop a fully automated pipeline for high-quality data collection and multi-modal annotation. Complementary to the dataset, we establish the OmniHuman Benchmark (OHBench), a three-level evaluation system that provides a scientific diagnosis for human-centric audio-video synthesis. Crucially, OHBench introduces metrics that are highly consistent with human perception, filling the gaps in existing benchmarks by providing a comprehensive diagnosis across global scenes, relational interactions, and individual attributes.
• Abstract（参考訳）: 近年のオーディオビデオ・ジョイント生成モデルの進歩は、コンテンツ作成における印象的な能力を示している。 しかし、複雑な現実世界の物理的シーンで高忠実な人間中心のビデオを生成することは、依然として大きな課題である。 根本原因は,グローバルシーンとカメラの多様性の制限,疎相互作用モデリング(人・人・物の両方),個人属性アライメントの不足という,既存のデータセットの構造的欠陥にある。 これらのギャップを埋めるために、我々はOmniHumanを紹介します。 OmniHumanは、ビデオレベルのシーン、フレームレベルのインタラクション、個々のレベルの属性をカバーする階層的なアノテーションを提供する。 そこで我々は,高品質なデータ収集とマルチモーダルアノテーションのための完全自動パイプラインを開発した。 このデータセットを補完するOmniHuman Benchmark(OHBench)は,人中心オーディオビデオ合成の科学的診断を提供する3段階評価システムである。 重要な点として、OHBenchは人間の知覚と非常に整合したメトリクスを導入し、グローバルなシーン、リレーショナルインタラクション、個々の属性を包括的に診断することで、既存のベンチマークのギャップを埋める。

関連論文リスト

• SceneScribe-1M: A Large-Scale Video Dataset with Comprehensive Geometric and Semantic Annotations [88.8747004592363]
  SceneScribe-1Mは新しい大規模多時間ビデオデータセットである。 そこには100万本のビデオが含まれており、それぞれに詳細なテキスト記述、正確なパラメータ、深度マップ、一貫性のある3Dポイントトラックなどが含まれている。 SceneScribe-1Mの汎用性と価値は、単眼深度推定、シーン再構成動的点追跡、テキスト・ビデオ合成などの生成タスク、カメラ制御の有無にかかわらず、幅広い下流タスクのベンチマークを確立することで示される。
  論文  参考訳（メタデータ） (2026-04-09T08:59:33Z)
• HumanSAM: Classifying Human-centric Forgery Videos in Human Spatial, Appearance, and Motion Anomaly [15.347208661111198]
  HumanSAMは、人間中心のフォージェリーを、生成されたコンテンツでよく見られる3つの異なる種類のアーティファクトに分類することを目的としている。 HumanSAMは、バイナリとマルチクラスの偽造分類の両方において、最先端の手法と比較して有望な結果をもたらす。
  論文  参考訳（メタデータ） (2025-07-26T12:03:47Z)
• Multi-identity Human Image Animation with Structural Video Diffusion [73.38728096088732]
  emph Structure Video Diffusionは、現実的なマルチヒューマンビデオを生成するための新しいフレームワークである。 当社のアプローチでは、個人間で一貫した外観を維持するために、アイデンティティ固有の埋め込みを導入している。 さまざまなマルチヒューマンとオブジェクトのインタラクションシナリオを特徴とする25Kの新しいビデオで、既存のヒューマンビデオデータセットを拡張します。
  論文  参考訳（メタデータ） (2025-04-05T10:03:49Z)
• What Are You Doing? A Closer Look at Controllable Human Video Generation [73.89117620413724]
  What Are You Doing?」は、人間の制御可能な画像とビデオの生成を評価するための新しいベンチマークである。 このビデオは、1,544本のキャプション付きビデオで構成されており、56の細かなカテゴリーで細かな収集と注釈付けがなされている。 制御可能な画像・映像生成における7つの最先端モデルの詳細な解析を行う。
  論文  参考訳（メタデータ） (2025-03-06T17:59:29Z)
• OpenHumanVid: A Large-Scale High-Quality Dataset for Enhancing Human-Centric Video Generation [27.516068877910254]
  大規模で高品質な人中心ビデオデータセットOpenHumanVidを紹介する。 まず、大規模で高品質なデータセットを組み込むことによって、生成された人間のビデオの評価基準を大幅に強化する。 第二に、高品質のビデオ出力を生成するためには、人間の外見、人間の動き、顔の動きとテキストの効果的なアライメントが不可欠である。
  論文  参考訳（メタデータ） (2024-11-28T07:01:06Z)
• Diffusion Models are Efficient Data Generators for Human Mesh Recovery [55.37787289869703]
  生成モデルにより生成された合成データはCGレンダリングデータと相補的であることを示す。 我々はHumanWildと呼ばれる最近の拡散モデルに基づく効率的なデータ生成パイプラインを提案する。 われわれの研究は、人間の3Dリカバリを現場に拡大するための道を開くかもしれない。
  論文  参考訳（メタデータ） (2024-03-17T06:31:16Z)
• DNA-Rendering: A Diverse Neural Actor Repository for High-Fidelity Human-centric Rendering [126.00165445599764]
  ニューラルアクターレンダリングのための人間のパフォーマンスデータの大規模かつ高忠実なリポジトリであるDNAレンダリングを提案する。 我々のデータセットには、1500人以上の被験者、5000のモーションシーケンス、67.5Mのフレームのデータボリュームが含まれています。 我々は,最大解像度4096 x 3000の60個の同期カメラと15fpsの速度,ステルカメラキャリブレーションステップを含む,データをキャプチャするプロフェッショナルなマルチビューシステムを構築した。
  論文  参考訳（メタデータ） (2023-07-19T17:58:03Z)
• HSPACE: Synthetic Parametric Humans Animated in Complex Environments [67.8628917474705]
  我々は、複雑な屋内および屋外環境に置かれたアニメーション人間による大規模な写真リアルデータセット、Human-SPACEを構築した。 年齢、性別、比率、民族性の異なる数百の個人と数百の動きとシーンを組み合わせて、100万フレームを超える最初のデータセットを生成します。 アセットは大規模に自動生成され、既存のリアルタイムレンダリングやゲームエンジンと互換性がある。
  論文  参考訳（メタデータ） (2021-12-23T22:27:55Z)

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。