論文の概要: ResiHMR: Residual-Limb Aware Single-Image 3D Human Mesh Recovery for Individuals with Limb Loss

• arxiv url: http://arxiv.org/abs/2604.28025v1
• Date: Thu, 30 Apr 2026 15:42:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.172794
• Title: ResiHMR: Residual-Limb Aware Single-Image 3D Human Mesh Recovery for Individuals with Limb Loss
• Title（参考訳）: ResiHMR: 肢喪失者のための残肢認識シングルイメージ3Dヒューマンメッシュリカバリ
• Authors: Jiaying Ying, Heming Du, Kaihao Zhang, Sean M. Tweedy, Xin Yu,
• Abstract要約: 本稿では,ResiHMRについて述べる。 我々の知る限りでは、これは残留肢表面を明示的に再構成する初めての単一像HMRシステムである。
• 参考スコア（独自算出の注目度）: 28.590347498910006
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Single-image human mesh recovery provides a compact 3D, person-centric representation that supports analysis, animation, AR and VR, rehabilitation, and human-computer interaction. However, prevailing systems impose an intact-limb prior and degrade on people with limb loss, because fixed-topology models cannot represent residual limbs. In this work, we present ResiHMR, a residual-limb aware framework for single-image 3D human modeling. ResiHMR adopts residual-limb keypoints and introduces two components: (i) a topology-adaptive Residual Anchor-Factor Optimization module that constrains estimation to the observed kinematic subgraph of anatomically valid structures, and (ii) a geometry-based Residual-Limb Reconstruction module that estimates residual-limb boundaries and convex limb-termination geometry. These components introduce topology-aware optimization and explicit termination geometry as tools for human mesh recovery under non-standard limb anatomy. Unlike joint-removal methods in a fixed topology, ResiHMR explicitly reconstructs residual-limb surfaces and aligns optimization with limb-loss topology, which better matches prosthetic biomechanics and real-world use. To the best of our knowledge, this is the first single-image HMR system that explicitly reconstructs residual-limb surfaces and performs topology-adaptive optimization for individuals with limb loss. On a curated dataset of real-world images with limb loss, ResiHMR improves reconstruction quality under both SMPLify-X and HSMR backbones, reducing intact-joint 2D MPJPE from 41.32 to 37.40 with SMPLify-X and residual-limb 2D MPJPE from 73.61 to 23.19 with HSMR.
• Abstract（参考訳）: シングルイメージのヒューマンメッシュリカバリは、分析、アニメーション、ARとVR、リカバリ、人間とコンピュータのインタラクションをサポートする、コンパクトな3D、人中心の表現を提供する。 しかし、固定トポロジーモデルでは手足の残存を表現できないため、一般的なシステムでは、手足の喪失に悩まされ、手足の喪失に悩まされる。 本稿では,ResiHMRについて紹介する。ResiHMRは,単一画像の3次元モデリングのための残差認識フレームワークである。 ResiHMRは残留肢キーポイントを採用し、2つのコンポーネントを導入している。 一 解剖学的に有効な構造の観測的部分グラフに対する推定を制約するトポロジ適応残留アンカー・ファクタ最適化モジュール (II)残差境界と凸四肢終端幾何を推定する幾何に基づくResidual-Limb Restructionモジュール。 これらのコンポーネントは、非標準的な手足解剖下での人間のメッシュ回復のためのツールとして、トポロジ対応最適化と明示的な終端幾何を導入している。 固定トポロジにおける関節除去法とは異なり、ResiHMRは残留肢表面を明示的に再構成し、義肢後部トポロジと最適化する。 我々の知る限りでは、これは、残存肢表面を明示的に再構成し、手足の喪失のある個人に対して位相適応最適化を行う初めての単一像HMRシステムである。 ResiHMRは、手足の喪失を伴う実世界の画像のキュレートされたデータセット上で、SMPLify-XとHSMRのバックボーンの再構築品質を改善し、2D MPJPEを41.32から37.40に、SMPLify-Xと残差2D MPJPEを73.61から23.19に減らした。

関連論文リスト

• OAHuman: Occlusion-Aware 3D Human Reconstruction from Monocular Images [49.90475154034411]
  OAHumanは、単一のRGB画像から堅牢な3次元モデリングのための幾何学的再構成とテクスチャ合成を明示的に分離するフレームワークである。 テクスチャ干渉から切り離すため, 閉鎖領域においても幾何再構成が知覚的に強化されることを保証する。 並行して、テクスチャ合成は目に見える領域からのみ学習され、テクスチャエラーが隠された領域に転送されるのを防ぐ。
  論文  参考訳（メタデータ） (2026-03-15T06:57:26Z)
• Towards Geometry-Aware and Motion-Guided Video Human Mesh Recovery [60.51998732898099]
  HMRMambaは3Dヒューマンメッシュリカバリのための新しいパラダイムである。 構造状態空間モデル(Structured State Space Models)をその効率性と長距離モデリングに利用した先駆者である。 まず、新しいデュアルスキャンのMambaアーキテクチャを特徴とするGeometry-Aware Lifting Moduleについて述べる。
  論文  参考訳（メタデータ） (2026-01-29T08:05:02Z)
• Spinal Line Detection for Posture Evaluation through Train-ing-free 3D Human Body Reconstruction with 2D Depth Images [1.655840696749311]
  人体の3次元形状を復元し、脊椎中心線を推定することが重要である。 既存のmul-ti-imageベースの身体修復法では、高価な機器と複雑な手続きが必要である。 本研究では,マルチイメージ方式の欠点を補う手法を提案し,シングル画像方式の限界を解消する手法を提案する。
  論文  参考訳（メタデータ） (2025-12-14T14:43:42Z)
• Likelihood-Scheduled Score-Based Generative Modeling for Fully 3D PET Image Reconstruction [40.34650079545031]
  提案手法は, 再現を加速し, 臨界ハイパーパラメータの数を減少させる3次元再構成の実践的手法である。 本手法は既存のSGMによるPET再構成のNAMSEとSSIMに適合または改善可能であることを示す。 実3D PETデータ,具体的には[18$F]DPA-714データに対するSGMベースの再構成の初回実装を実演する。
  論文  参考訳（メタデータ） (2024-12-05T16:58:45Z)
• ARTS: Semi-Analytical Regressor using Disentangled Skeletal Representations for Human Mesh Recovery from Videos [18.685856290041283]
  ARTSは、一般的なベンチマークにおけるフレーム単位の精度と時間的一貫性の両方において、既存の最先端のビデオベースの手法を超越している。 ビデオから3Dスケルトンを推定するために,スケルトン推定およびアンタングルメントモジュールを提案する。 回帰器は、Temporal Inverse Kinematics (TIK), bone-guided Shape Fitting (BSF), Motion-Centric Refinement (MCR)の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2024-10-21T02:06:43Z)
• Multi-class point cloud completion networks for 3D cardiac anatomy reconstruction from cine magnetic resonance images [4.1448595037512925]
  マルチクラスの心臓解剖学的メッシュを再構築できる新しい完全自動表面再構成パイプラインを提案する。 その鍵となるコンポーネントは、マルチクラスポイントクラウド補完ネットワーク(PCCN)である。
  論文  参考訳（メタデータ） (2023-07-17T14:52:52Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)
• HEMlets PoSh: Learning Part-Centric Heatmap Triplets for 3D Human Pose and Shape Estimation [60.35776484235304]
  本研究は, 中間状態部分熱マップトリプレット(HEMlets)を導入し, 検出された2次元関節を三次元空間に持ち上げる不確実性に対処しようとするものである。 HEMletsは3つのジョイントヒートマップを使用して、各骨格体部に対するエンドジョイントの相対的な深さ情報を表す。 Convolutional Network (ConvNet) は、入力画像からHEMletを予測し、次にボリュームのジョイント・ヒートマップレグレッションを学習する。
  論文  参考訳（メタデータ） (2020-03-10T04:03:45Z)
• Learning Nonparametric Human Mesh Reconstruction from a Single Image without Ground Truth Meshes [56.27436157101251]
  そこで本研究では,人間のメッシュ再構築を基礎となる真理メッシュを使わずに学習する手法を提案する。 これはグラフ畳み込みニューラルネットワーク(Graph CNN)の損失関数に2つの新しい用語を導入することで実現される。
  論文  参考訳（メタデータ） (2020-02-28T20:30:07Z)

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。