論文の概要: BioHuman: Learning Biomechanical Human Representations from Video

• arxiv url: http://arxiv.org/abs/2605.14772v1
• Date: Thu, 14 May 2026 12:36:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.823212
• Title: BioHuman: Learning Biomechanical Human Representations from Video
• Title（参考訳）: BioHuman:ビデオからバイオメカニカルな人間表現を学ぶ
• Authors: Yujun Huo, He Zhang, Chentao Song, Honglin Song, Zongyu Zuo, Tao Yu,
• Abstract要約: 既存のモーションキャプチャーデータセットから筋肉の活性化を推定するためのシミュレーションベースのフレームワークを提案する。 本稿では,モノクロ映像を入力とし,人間の動きと筋の活性化を共同で予測するエンド・ツー・エンド・エンド・モデルであるBioHumanを提案する。
• 参考スコア（独自算出の注目度）: 11.653644899302542
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding human motion beyond surface kinematics is crucial for motion analysis, rehabilitation, and injury risk assessment. However, progress in this domain is limited by the lack of large-scale datasets with biomechanical annotations, and by existing approaches that cannot directly infer internal biomechanical states from visual observations. In this paper, we introduce a simulation-based framework for estimating muscle activations from existing motion capture datasets, resulting in BioHuman10M, a large-scale dataset with synchronized video, motion, and activations. Building on BioHuman10M, we propose BioHuman, an end-to-end model that takes monocular video as input and jointly predicts human motion and muscle activations, effectively bridging visual observations and internal biomechanical states. Extensive experiments demonstrate that BioHuman enables accurate reconstruction of both kinematic motion and muscle activity, and generalizes across diverse subjects and motions. We believe our approach establishes a new benchmark for video-based biomechanical understanding and opens up new possibilities for physically grounded human modeling.
• Abstract（参考訳）: 表面運動学を超えた人間の動作を理解することは、運動分析、リハビリテーション、傷害リスク評価に不可欠である。 しかし、この領域の進歩は、バイオメカニカルアノテーションによる大規模データセットの欠如と、視覚的観察から内部の生体メカニカル状態を直接推測できない既存のアプローチによって制限されている。 本稿では、既存のモーションキャプチャーデータセットから筋肉の活性化を推定するシミュレーションベースのフレームワークを導入し、ビデオ、モーション、アクティベーションを同期させた大規模データセットであるBioHuman10Mについて述べる。 BioHuman10Mをベースとして、モノクロ映像を入力とし、人間の動きと筋の活性化を共同で予測し、視覚的観察と生体力学的状態を効果的にブリッジするエンド・ツー・エンド・エンド・モデルBioHumanを提案する。 広範囲にわたる実験により、BioHumanは運動運動と筋活動の両方の正確な再構築を可能にし、様々な被験者と運動にまたがる一般化を可能にした。 我々は,ビデオに基づくバイオメカニカル理解のための新しいベンチマークを確立し,物理的基盤を持つ人体モデリングの新たな可能性を開くと考えている。

関連論文リスト

• Towards Motion Turing Test: Evaluating Human-Likeness in Humanoid Robots [54.54929302887405]
  15のアクションカテゴリにまたがる1000のモーションシーケンスからなるHuman-Humanoid Motionデータセットを提案する。 すべてのモーションシーケンスは、視覚的外観の影響を排除するためにSMPL-X表現に変換される。 収集したデータから、ヒューマノイドの動きが人間の動きと顕著なずれを示すことが明らかとなった。
  論文  参考訳（メタデータ） (2026-03-06T11:40:56Z)
• MeshMimic: Geometry-Aware Humanoid Motion Learning through 3D Scene Reconstruction [54.36564144414704]
  MeshMimicは、3Dシーンの再構築とインテリジェンスを組み込んだ革新的なフレームワークで、ヒューマノイドロボットがビデオから直接「モーション・テライン」インタラクションを学習できるようにする。 現状の3次元視覚モデルを活用することで、我々のフレームワークは、人間の軌跡と基礎となる地形や物体の3次元幾何学の両方を正確にセグメント化し再構築する。
  論文  参考訳（メタデータ） (2026-02-17T17:09:45Z)
• KinTwin: Imitation Learning with Torque and Muscle Driven Biomechanical Models Enables Precise Replication of Able-Bodied and Impaired Movement from Markerless Motion Capture [2.44755919161855]
  高品質な運動分析は、運動科学とリハビリテーションに大きな恩恵をもたらす可能性がある。 臨床実習において,模擬学習を用いて高品質な運動分析を可能にする可能性を示す。
  論文  参考訳（メタデータ） (2025-05-19T17:58:03Z)
• Reinforcement learning-based motion imitation for physiologically plausible musculoskeletal motor control [47.423243831156285]
  筋運動制御の理解を深めるために,モデルフリー運動模倣フレームワーク(KINESIS)を提案する。 我々は,KINESISが1.9時間のモーションキャプチャデータに対して強い模倣性能を達成できることを実証した。 キネシスはヒトの筋活動とよく相関する筋活動パターンを生成する。
  論文  参考訳（メタデータ） (2025-03-18T18:37:49Z)
• Biomechanics-Guided Residual Approach to Generalizable Human Motion Generation and Estimation [21.750804738752105]
  3つの中心となるイノベーションを持つバイオメカニック・アウェア・フレームワークであるBioVAEを提案する。 複数のベンチマークにおいて,BioVAEが最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-03-08T10:22:36Z)
• Muscles in Time: Learning to Understand Human Motion by Simulating Muscle Activations [64.98299559470503]
  マッスル・イン・タイム (MinT) は、大規模な人工筋肉活性化データセットである。 227名の被験者と402名の模擬筋骨格をカバーする9時間以上のシミュレーションデータを含んでいる。 ヒトのポーズ配列からニューラルネットワークを用いた筋活動量推定の結果を示す。
  論文  参考訳（メタデータ） (2024-10-31T18:28:53Z)
• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• Scaling Up Dynamic Human-Scene Interaction Modeling [58.032368564071895]
  TRUMANSは、現在利用可能な最も包括的なモーションキャプチャーHSIデータセットである。 人体全体の動きや部分レベルの物体の動きを複雑に捉えます。 本研究では,任意の長さのHSI配列を効率的に生成する拡散型自己回帰モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-13T15:45:04Z)
• 3D Kinematics Estimation from Video with a Biomechanical Model and Synthetic Training Data [4.130944152992895]
  2つの入力ビューから3Dキネマティクスを直接出力するバイオメカニクス対応ネットワークを提案する。 実験により, 提案手法は, 合成データにのみ訓練されたものであり, 従来の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-20T17:33:40Z)

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。