論文の概要: Markerless Motion Capture for Biomechanical Whole-Body Kinematic Estimation in Infants

• arxiv url: http://arxiv.org/abs/2605.17120v1
• Date: Sat, 16 May 2026 18:55:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.692123
• Title: Markerless Motion Capture for Biomechanical Whole-Body Kinematic Estimation in Infants
• Title（参考訳）: 乳児の生体動態評価のためのマーカーレスモーションキャプチャ
• Authors: Divya Joshi, J. D. Peiffer, Colleen Peyton, R. James Cotton,
• Abstract要約: 本研究は,多視点モーションキャプチャーシステムを用いて記録された8人の幼児の13セッションについて,100ビデオの3つのポーズ推定フレームワークを体系的に評価した。 提案手法は,再投射誤差,幾何整合性,Procrustesの3次元位置誤差を用いてキーポイント検出精度を定量化し,逆運動フレームワークを幼児データに適用するための概念実証を行った。 本稿では, SAM 3D に適合する生体力学的モデルを用いて, 運動発達に関連する乳児の代表的運動パターンを, 臨床専門家が特定した事例比較例で示す。
• 参考スコア（独自算出の注目度）: 0.9332987715848714
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: arly identification of motor impairment in infancy relies on expert visual assessment of spontaneous movement, motivating the development of automated, objective alternatives. One promising approach is using computer vision, which benefits from high quality pose estimation from video. In this study, we systematically evaluated three state-of-the-art pose estimation frameworks (MeTRAbs-ACAE, SAM 3D Body, and Sapiens) on 100 videos over 13 sessions of 8 infants recorded with a multi-view markerless motion capture system. We quantified keypoint detection accuracy using reprojection error, geometric consistency, and Procrustes-aligned 3D position error, and demonstrated proof-of-concept for fitting an inverse kinematic framework to infant data. While Sapiens achieved the lowest reprojection error and highest geometric consistency of the methods evaluated (22.8 pixels and 0.82, respectively), SAM 3D Body provided the most comprehensive 3D information for kinematic reconstruction with Procrustes-aligned position errors of 19 to 28 mm. We demonstrate in a case comparison example that biomechanical models fit to SAM 3D estimates distinguish representative movement patterns in infants related to motor development, as identified by a clinical expert. Together, these findings highlight both the promise and current limitations of 3D pose estimation for infant biomechanics and establish preliminary groundwork for scalable, video-based assessment of early motor development.
• Abstract（参考訳）: 乳児期における運動障害の早期同定は、自律的、客観的な代替手段の開発を動機とする、自然運動の専門的な視覚的評価に依存している。 1つの有望なアプローチは、ビデオから高品質なポーズ推定の恩恵を受けるコンピュータビジョンを使うことである。 本研究では,マルチビューマーカーレスモーションキャプチャーシステムで記録された8人の幼児の13セッションについて,3つの最先端ポーズ推定フレームワーク (MeTRAbs-ACAE, SAM 3D Body, Sapiens) を,100件の動画でシステマティックに評価した。 提案手法は,再投射誤差,幾何整合性,Procrustesの3次元位置誤差を用いてキーポイント検出精度を定量化し,逆運動フレームワークを幼児データに適用するための概念実証を行った。 サピエンスは評価された手法の最も低い再投射誤差(22.8ピクセルと0.82ピクセル)と最も高い幾何整合性(英語版)を達成したが、SAM 3D Bodyはプロクリストの整列位置誤差が19mmから28mmのキネマティックな再構築のための最も包括的な3D情報を提供した。 本稿では, SAM 3D に適合する生体力学的モデルを用いて, 運動発達に関連する乳児の代表的運動パターンを, 臨床専門家が特定した事例比較例で示す。 これらの知見は、幼児の生体力学における3次元ポーズ推定の約束と現在の限界の両方を強調し、早期運動発達のスケーラブルなビデオベースアセスメントのための予備的基盤を構築した。

関連論文リスト

• SIMSPINE: A Biomechanics-Aware Simulation Framework for 3D Spine Motion Annotation and Benchmarking [19.28827026574636]
  解剖学的に一貫した3次元の脊髄キーポイントで人間のポーズデータセットを増強する生体力学対応キーポイントシミュレーションフレームワークを提案する。 私たちはSIMSPINEという名の最初のオープンデータセットを作成し、自然の全身運動に脊椎レベルの3D脊髄アノテーションを提供する。 2.14万フレームを使用すると、微妙な姿勢変化から脊椎キネマティックスをデータ駆動で学習することができる。
  論文  参考訳（メタデータ） (2026-02-24T11:31:20Z)
• 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)
• BioPose: Biomechanically-accurate 3D Pose Estimation from Monocular Videos [6.280386490530478]
  BioPoseは、モノクロビデオから直接、生体力学的に正確な3Dポーズを予測するための学習ベースのフレームワークである。 マルチクエリヒューマンメッシュリカバリモデル(MQ-HMR)、ニューラル・インバース・キネマティクス(NeurIK)モデル、および2Dインフォームド・ポーズ・リファインメント技術を含んでいる。 ベンチマークデータセットの実験では、BioPoseが最先端の手法を大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-01-14T02:56:19Z)
• Estimating Body and Hand Motion in an Ego-sensed World [62.61989004520802]
  頭部装着装置から人体の動きを推定するシステムであるEgoAlloについて述べる。 エゴセントリックなSLAMポーズとイメージのみを使用して、EgoAlloは条件付き拡散モデルからサンプリングを行い、3Dボディポーズ、高さ、手のパラメータを推定する。
  論文  参考訳（メタデータ） (2024-10-04T17:59:57Z)
• 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)
• Unsupervised 3D Pose Estimation with Non-Rigid Structure-from-Motion Modeling [83.76377808476039]
  本研究では,人間のポーズの変形をモデル化し,それに伴う拡散に基づく動きを事前に設計する手法を提案する。 動作中の3次元人間の骨格を復元する作業は3次元基準骨格の推定に分割する。 混合時空間NASfMformerを用いて、各フレームの3次元基準骨格と骨格変形を2次元観測シーケンスから同時に推定する。
  論文  参考訳（メタデータ） (2023-08-18T16:41:57Z)
• Kinematic-Structure-Preserved Representation for Unsupervised 3D Human Pose Estimation [58.72192168935338]
  大規模インスタディオデータセットの監視を用いて開発された人間のポーズ推定モデルの一般化可能性については疑問が残る。 本稿では,2対あるいは2対の弱い監督者によって抑制されない,新しいキネマティック構造保存型非教師付き3次元ポーズ推定フレームワークを提案する。 提案モデルでは,前方運動学,カメラ投影,空間マップ変換という3つの連続的な微分可能変換を用いる。
  論文  参考訳（メタデータ） (2020-06-24T23:56:33Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)
• Self-Supervised 3D Human Pose Estimation via Part Guided Novel Image Synthesis [72.34794624243281]
  ラベルのないビデオフレームからバリエーションを分離する自己教師付き学習フレームワークを提案する。 3Dポーズと空間部分マップの表現ギャップを埋める、微分可能な形式化により、多様なカメラの動きを持つビデオで操作できる。
  論文  参考訳（メタデータ） (2020-04-09T07:55:01Z)

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。