論文の概要: Unsupervised 3D Human Pose Estimation via Conditional Multi-view Ancestral Sampling

• arxiv url: http://arxiv.org/abs/2605.15583v1
• Date: Fri, 15 May 2026 03:47:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 03:45:13.158372
• Title: Unsupervised 3D Human Pose Estimation via Conditional Multi-view Ancestral Sampling
• Title（参考訳）: 条件付き多視点アンセストラルサンプリングによる教師なし3次元人物位置推定
• Authors: Ryohei Goto, Takuya Fujihashi, Shunsuke Saruwatari, Fumio Okura,
• Abstract要約: 本研究では,1つの視点から3次元人間のポーズを3次元の監督なしに推定する方法を提案する。 大規模な2次元ポーズデータセットで事前学習した動き拡散モデルの2次元拡散先行モデルを利用する。 提案手法は,最先端の3次元ポーズ推定手法と比較して,ドメイン間性能が向上する。
• 参考スコア（独自算出の注目度）: 13.79571134197704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a method of estimating a 3D human pose from a single view without 3D supervision. The key to our method is to leverage the 2D diffusion priors of motion diffusion models (MDMs) pre-trained on large 2D human pose datasets. Specifically, we extend multi-view ancestral sampling of diffusion models to the task of 2D-3D lifting of human pose. To this end, we newly propose a conditional multi-view ancestral sampling (cMAS) that optimizes the 3D pose such that its multi-view projections follow the manifold in 2D MDM noise space, while conditioning the 3D pose to match the given 2D poses and anatomical constraints of humans. Experiments on the Yoga dataset demonstrate that our method achieves better cross-domain performance compared to state-of-the-art supervised and unsupervised 3D pose estimation methods, including extreme human poses where 3D supervision is unavailable. Code is available at: https://github.com/asaa0001/c-MAS.
• Abstract（参考訳）: 本研究では,1つの視点から3次元人間のポーズを3次元の監督なしに推定する方法を提案する。 提案手法の鍵となるのは、大規模な2次元ポーズデータセット上で事前訓練された動き拡散モデル(MDM)の2次元拡散先行値を活用することである。 具体的には、拡散モデルの多視点祖先サンプリングを、人間のポーズの2D-3Dリフト作業に拡張する。 そこで本研究では,2次元MDMノイズ空間において,その多視点射影が多様体に追従するように3次元ポーズを最適化する条件付き多視点祖先サンプリング(cMAS)を提案し,その条件付き2次元ポーズと人間の解剖学的制約に適合するように3次元ポーズを条件付けする。 与賀データセットを用いた実験では,最先端の3Dポーズ推定手法と比較して,3Dの監督が不可能な極端なポーズを含む非教師なしの3Dポーズ推定手法と比較して,ドメイン間性能が向上することが示された。 コードは、https://github.com/asaa0001/c-MAS.comで入手できる。

関連論文リスト

• MPL: Lifting 3D Human Pose from Multi-view 2D Poses [75.26416079541723]
  本稿では,大規模かつリッチなトレーニングデータセットが存在する2次元ポーズ推定と,トランスフォーマーネットワークを用いた2次元から3次元ポーズリフトを提案する。 実験の結果,MPJPEの誤差は2次元ポーズを三角測量した3次元ポーズと比較して最大45%減少することがわかった。
  論文  参考訳（メタデータ） (2024-08-20T12:55:14Z)
• Unsupervised Multi-Person 3D Human Pose Estimation From 2D Poses Alone [4.648549457266638]
  本研究は,教師なし多人数2D-3Dポーズ推定の実現可能性について検討した最初の研究の1つである。 本手法では,各被験者の2次元ポーズを3次元に独立に持ち上げ,それらを共有3次元座標系で組み合わせる。 これにより、ポーズの正確な3D再構成を検索することができる。
  論文  参考訳（メタデータ） (2023-09-26T11:42:56Z)
• MPM: A Unified 2D-3D Human Pose Representation via Masked Pose Modeling [59.74064212110042]
  mpmcanは、3D人間のポーズ推定、クラッドされた2Dポーズからの3Dポーズ推定、3Dポーズ完了をtextocbsingleフレームワークで処理する。 MPI-INF-3DHPにおいて、広く使われているポーズデータセットの広範な実験とアブレーション研究を行い、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-06-29T10:30:00Z)
• SPGNet: Spatial Projection Guided 3D Human Pose Estimation in Low Dimensional Space [14.81199315166042]
  本研究では,多次元再投影と教師あり学習を混合した3次元人間のポーズ推定手法を提案する。 提案手法は,データセットHuman3.6Mの推定結果に基づいて,定性的にも定量的にも,多くの最先端手法より優れている。
  論文  参考訳（メタデータ） (2022-06-04T00:51:00Z)
• 3DCrowdNet: 2D Human Pose-Guided3D Crowd Human Pose and Shape Estimation in the Wild [61.92656990496212]
  3DCrowdNetは、2D人間のポーズガイド3D群衆ポーズと形状推定システムです。 我々の3DCrowdNetは、これまでのクラウドシーンの手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-15T08:21:28Z)
• Residual Pose: A Decoupled Approach for Depth-based 3D Human Pose Estimation [18.103595280706593]
  我々は,CNNによる信頼度の高い2次元ポーズ推定の最近の進歩を活用し,深度画像から人物の3次元ポーズを推定する。 提案手法は2つの公開データセットの精度と速度の両面で非常に競争力のある結果が得られる。
  論文  参考訳（メタデータ） (2020-11-10T10:08:13Z)
• Synthetic Training for Monocular Human Mesh Recovery [100.38109761268639]
  本稿では,RGB画像と大規模に異なる複数の身体部位の3次元メッシュを推定することを目的とする。 主な課題は、2D画像のすべての身体部分の3Dアノテーションを完備するトレーニングデータがないことである。 本稿では,D2S(Deep-to-scale)投影法を提案する。
  論文  参考訳（メタデータ） (2020-10-27T03:31:35Z)
• Fusing Wearable IMUs with Multi-View Images for Human Pose Estimation: A Geometric Approach [76.10879433430466]
  多視点画像と人手足に装着したIMUから3次元人間のポーズを推定する。 まず2つの信号から2Dのポーズを検出し、3D空間に持ち上げる。 単純な2段階のアプローチは、公開データセット上の大きなマージンによる最先端のエラーを低減する。
  論文  参考訳（メタデータ） (2020-03-25T00:26:54Z)

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。