論文の概要: DGHMesh: A Large-scale Dual-radar mmWave Dataset and Generalization-focused Benchmark for Human Mesh Reconstruction

• arxiv url: http://arxiv.org/abs/2604.22827v1
• Date: Sun, 19 Apr 2026 13:10:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:06.965964
• Title: DGHMesh: A Large-scale Dual-radar mmWave Dataset and Generalization-focused Benchmark for Human Mesh Reconstruction
• Title（参考訳）: DGHMesh:人間メッシュ再構築のための大規模デュアルレーダmmWaveデータセットと一般化に着目したベンチマーク
• Authors: Rongxiao Guo, Qingchao Chen,
• Abstract要約: 本稿ではDGHMeshについて述べる。DGHMeshは大規模なデュアルレーダーmmWaveデータセットであり、HMRの一般化中心のベンチマークである。 これは、FMCWレーダー、SFCWレーダー、RGB画像、高精度3D HMRアノテーションから収集された36万の同期フレームを含む、8つのアクションを実行する15人の被験者のデータを含んでいる。 DGHMeshをベースとして,HMRのための点雲と撮像管を併用したクエリベースのマルチレーダ融合フレームワークmmPTMを提案する。
• 参考スコア（独自算出の注目度）: 18.76080336280935
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Millimeter-wave (mmWave) radar has shown great potential for contactless, privacy-preserving, and robust human sensing, yet existing mmWave-based human mesh reconstruction (HMR) studies are still limited by the lack of benchmarks for generalization analysis under configuration shifts and fair comparison of different algorithms. To address the limitation, we present DGHMesh, a large-scale dual-radar mmWave dataset and generalization-focused benchmark for HMR. It contains data from 15 subjects performing 8 actions, with 360,000 synchronized frames collected from FMCW radar, SFCW radar, RGB images, and high-precision 3D HMR annotations. In addition, the dataset provides synchronized raw I/Q data from both radar modalities and accurately calibrated radar spatial positions. The benchmark is designed to evaluate HMR methods under diverse measurement configurations, including human position shifts, human orientation shifts, subarray size variations, and cross-subject settings. Based on DGHMesh, we also propose mmPTM, a query-based multi-radar fusion framework that jointly exploits point clouds and imaging tubes for HMR. Extensive experiments are conducted against representative baselines under different settings. The results demonstrate that mmPTM consistently achieves outstanding accuracy and competitive generalization capability across multiple sub-benchmarks, validating the effectiveness of multi-radar fusion and the practical value of the proposed dataset and benchmark for mmWave-based HMR research. DGHMesh and mmPTM are publicly available at https://github.com/SPIresearch/DGHMesh.(The complete benchmark and code will be released after paper publication)
• Abstract（参考訳）: ミリ波レーダ(mmWave)レーダーは、接触のない、プライバシーを保護し、堅牢な人間の知覚の可能性を示しているが、既存のmmWaveベースのヒューマンメッシュ再構成(HMR)研究は、構成シフトの下での一般化分析のためのベンチマークの欠如と、異なるアルゴリズムの公正な比較によって、依然として制限されている。 この制限に対処するため,大規模なデュアルレーダーmmWaveデータセットとHMRの一般化中心ベンチマークであるDGHMeshを提案する。 これは、FMCWレーダー、SFCWレーダー、RGB画像、高精度3D HMRアノテーションから収集された36万の同期フレームを含む、8つのアクションを実行する15人の被験者のデータを含んでいる。 さらに、データセットは、レーダモードと正確に校正されたレーダ空間位置の両方から同期された生のI/Qデータを提供する。 このベンチマークは、人間の位置シフト、人間の方向シフト、サブアレイサイズの変化、オブジェクト間の設定など、さまざまな測定設定下でHMRメソッドを評価するように設計されている。 DGHMeshをベースとして,HMRのための点雲と撮像管を併用したクエリベースのマルチレーダ融合フレームワークmmPTMを提案する。 異なる条件下で, 代表ベースラインに対して大規模な実験を行う。 その結果,mmPTMはマルチレーダ核融合の有効性を検証し,mmWaveベースのHMR研究のためのベンチマークとデータセットの有効性を検証した。 DGHMeshとmmPTMはhttps://github.com/SPIresearch/DGHMeshで公開されている。 (完全なベンチマークとコードは、論文発表後に公開される)

関連論文リスト

• VLM-Guided Group Preference Alignment for Diffusion-based Human Mesh Recovery [75.62565146049015]
  我々は、予測メッシュの文脈認識品質スコアを生成するために、自己回帰付きデュアルメモリ拡張HMRクオリティエージェントを導入する。 これらのスコアは、人間の3次元運動構造、物理的実現可能性、入力画像との整合性に関するきめ細かい手がかりを蒸留する。 拡散型HMRモデルの微調整のためのグループ選好アライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-22T13:19:06Z)
• M4Human: A Large-Scale Multimodal mmWave Radar Benchmark for Human Mesh Reconstruction [45.65814462778685]
  M4Humanは、現在最大の(661Kフレーム)マルチモーダルベンチマークであり、高解像度mmWaveレーダー、RGB、深度データを備えている。 M4Humanには、3Dメッシュとグローバルトラジェクトリを備えた高品質なモーションキャプチャ(MoCap)アノテーションが含まれている。 RTとRPCの両モードのベンチマークと,RGB-Dモードのマルチモーダル融合のベンチマークを構築した。
  論文  参考訳（メタデータ） (2025-12-13T16:08:59Z)
• WaveMAE: Wavelet decomposition Masked Auto-Encoder for Remote Sensing [5.65492058135409]
  WaveMAEはマルチスペクトル衛星画像に適したマスク付き自動符号化フレームワークである。 評価の公平性を確保するため、全ての手法が同じデータセット上で事前訓練される(fMoW-S2)。 WaveMAEは従来の最先端アプローチよりも一貫した改善を実現している。
  論文  参考訳（メタデータ） (2025-10-26T14:45:30Z)
• ProbRadarM3F: mmWave Radar based Human Skeletal Pose Estimation with Probability Map Guided Multi-Format Feature Fusion [10.269536505085524]
  本稿では,確率マップによるマルチフォーマット特徴融合モデルProbRadarM3Fを提案する。 ProbRadarM3Fは従来のヒートマップの特徴と位置特徴を融合させ、効果的に14個の人体のキーポイントを推定する。
  論文  参考訳（メタデータ） (2024-05-08T15:54:57Z)
• Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
  確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。 ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。 PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
  論文  参考訳（メタデータ） (2023-08-31T16:26:17Z)
• MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based Self-Supervised Pre-Training [58.07391711548269]
  Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
  論文  参考訳（メタデータ） (2023-03-23T17:59:02Z)

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。