論文の概要: LQ-rPPG: A Label-Quantized Coarse-to-Fine Learning Framework for Remote Physiological Measurement

• arxiv url: http://arxiv.org/abs/2605.23174v1
• Date: Fri, 22 May 2026 02:46:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.168469
• Title: LQ-rPPG: A Label-Quantized Coarse-to-Fine Learning Framework for Remote Physiological Measurement
• Title（参考訳）: LQ-rPPG:遠隔生理計測のためのラベル量子化粗度学習フレームワーク
• Authors: Jun Seong Lee, Samyeul Noh, Changki Sung, Hyun Myung,
• Abstract要約: LQ-rはロバストなr推定のためのラベル間学習フレームワークである。 連続的な信号をノイズと可変性を低減したマルチビット量子化擬似ラベルに変換する。 LQ-rは、挑戦的な条件下でも頑健で一般の r 推定を達成する。
• 参考スコア（独自算出の注目度）: 9.606144267032215
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Remote photoplethysmography (rPPG) enables non-contact measurement of physiological signals from facial videos, offering strong potential for remote healthcare and daily health monitoring. Driven by this potential, various deep learning-based rPPG methods have been proposed to improve rPPG estimation. However, previous deep learning-based rPPG methods have paid little attention to the quality of training labels and their impact on model learning. Contact-based PPG signals used as training labels often contain noise and variability caused by motion artifacts, inconsistent sensor contact, and morphological distortions. Such label inconsistency can lead models to overfit to the label noise and variability and consequently degrade generalization performance. To address this issue, we propose LQ-rPPG, a label-quantized coarse-to-fine learning framework for robust rPPG estimation. LQ-rPPG consists of a label quantization module and a coarse-to-fine rPPG estimation model. The label quantization module transforms continuous PPG signals into multi-bit quantized pseudo labels with reduced noise and variability. The coarse-to-fine estimation model progressively refines rPPG signals under hierarchical supervision guided by the multi-bit pseudo labels. This design alleviates overfitting to label-specific variations and enables the model to learn structured and consistent representations. As a result, LQ-rPPG achieves robust and generalizable rPPG estimation even under challenging conditions. Experiments on multiple benchmark datasets demonstrate that LQ-rPPG achieves strong performance in both intra- and cross-dataset evaluations, while reducing parameters and multiply-accumulate operations by 88% and 29%, respectively, and increasing throughput by 191%. The code is available at https://github.com/Anonymous-repo-code/LQ-rPPG.
• Abstract（参考訳）: リモート光胸腺造影(remote photoplethysmography, RPPG)は、顔画像から生理的シグナルを非接触で測定することを可能にし、遠隔医療や日常の健康モニタリングに強い可能性を秘めている。 この可能性によって、様々な深層学習に基づくrPPG法が提案され、rPPG推定が改善されている。 しかし、従来の深層学習に基づくrPPG手法は、トレーニングラベルの品質とモデル学習への影響にはほとんど注意を払わなかった。 トレーニングラベルとして使用されるコンタクトベースPSG信号には、運動アーティファクト、一貫性のないセンサー接触、形態的歪みによるノイズと変動がしばしば含まれる。 このようなラベルの不整合は、ラベルノイズと可変性に過度に適合し、結果として一般化性能を低下させる。 この問題に対処するために,ロバストな rPPG 推定のためのラベル量子化粗度学習フレームワーク LQ-rPPG を提案する。 LQ-rPPGはラベル量子化モジュールと粗大なrPPG推定モデルからなる。 ラベル量子化モジュールは、連続PSG信号をノイズと可変性を低減したマルチビット量子化擬似ラベルに変換する。 粗粒度推定モデルは、多ビット擬似ラベルによって誘導される階層的監督の下で、段階的にrPPG信号を洗練する。 この設計はラベル固有のバリエーションへの過度な適合を緩和し、モデルが構造化された一貫した表現を学習できるようにする。 その結果、LQ-rPPGは挑戦条件下でも頑健で一般化可能なrPPG推定を実現する。 複数のベンチマークデータセットの実験では、LQ-rPPGは、パラメータと乗算演算をそれぞれ88%、乗算演算を29%削減し、スループットを191%向上した。 コードはhttps://github.com/Anonymous-repo-code/LQ-rPPGで入手できる。

関連論文リスト

• rPPG-VQA: A Video Quality Assessment Framework for Unsupervised rPPG Training [7.772569910275165]
  教師なしリモートフォトプレソグラフィー(r)は、ラベルなしのビデオデータを活用することを約束するが、そのポテンシャルは重要な課題によって妨げられている。 本稿では,r-VQAのマルチモーダルビデオ適合性を評価するための新しいフレームワークであるr-VQAを提案する。 実験により,我々のフレームワークによってフィルタリングされた大規模「未使用」ビデオのトレーニングにより,標準ベンチマークの精度を大幅に向上する教師なしrモデルを開発できることが示されている。
  論文  参考訳（メタデータ） (2026-04-13T08:17:56Z)
• Sharpness-aware Dynamic Anchor Selection for Generalized Category Discovery [61.694524826522205]
  既知のクラスのラベル付きデータを考えると、GCDは既知のクラスと未知のクラスの両方を含むラベルなしデータをクラスタ化することを目的としている。 大規模な事前学習モデルでは、特定の視覚的パターンが好まれ、ラベルのないデータに対して刺激的な相関を符号化する。 LSP(Los Sharpness Penalty)とDAS(Dynamic Anchor Selection)の2つのモジュールを含む新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-12-15T02:24:06Z)
• TYrPPG: Uncomplicated and Enhanced Learning Capability rPPG for Remote Heart Rate Estimation [51.56484100374058]
  本稿では,効率的なRGBビデオのための革新的なビデオ理解ブロック(GVB)を提案する。 Mamの構造に基づいて、2D-CNNと3D-CNNを統合し、分析のためのビデオ理解を強化する。 実験により、我々のTYrは一般的に使用されるデータセットで最先端のパフォーマンスを達成できることが示された。
  論文  参考訳（メタデータ） (2025-11-08T03:46:58Z)
• Semi-rPPG: Semi-Supervised Remote Physiological Measurement with Curriculum Pseudo-Labeling [31.592892663270252]
  Photoplethysmography (r)は、顔画像から心拍数などの生理的信号を監視するための有望な技術である。 現在のr研究は主に、単純な環境で収集されたいくつかの小さな公開データセットに基づいている。 少量のラベル付きデータと豊富なラベル付きデータを活用する半教師付き手法は、このギャップをrラーニングのために埋めることができる。
  論文  参考訳（メタデータ） (2025-02-06T08:16:08Z)
• DD-rPPGNet: De-interfering and Descriptive Feature Learning for Unsupervised rPPG Estimation [8.901227918730562]
  Photoplethysvolution (rmography)は、顔の映像から生理的信号と心拍数を測定することを目的としている。 近年の非教師なしr推定法は、真理r信号に頼ることなく、顔領域からr信号を推定する有望な可能性を示している。 本稿では,真の r 信号の学習のための r 機能内干渉を取り除くために,新しい Deinterfered and Descriptive r Estimation Network (DD-rNet) を提案する。
  論文  参考訳（メタデータ） (2024-07-31T07:43:58Z)
• Fully Test-Time rPPG Estimation via Synthetic Signal-Guided Feature Learning [8.901227918730562]
  TestTime Adaptation (TTA)では、ソースデータを参照することなく、ラベルのないターゲットデータにオンライン適応することで、さまざまな未確認領域のr信号を適応的に推定することができる。 擬似基底真理として、擬似r信号を用いた合成信号誘導特徴学習法を開発し、潜在r特徴を生成する条件生成装置を誘導する。
  論文  参考訳（メタデータ） (2024-07-18T09:22:40Z)
• Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
  モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。 本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
  論文  参考訳（メタデータ） (2024-04-26T06:00:27Z)
• Category-Adaptive Label Discovery and Noise Rejection for Multi-label Image Recognition with Partial Positive Labels [78.88007892742438]
  部分正ラベル(MLR-PPL)を用いたマルチラベルモデルの訓練が注目されている。 これまでの研究では、未知のラベルを負とみなし、従来のMLRアルゴリズムを採用した。 我々は,MLR-PPLタスクを容易にするために,異なる画像間の意味的相関について検討する。
  論文  参考訳（メタデータ） (2022-11-15T02:11:20Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• On Signal-to-Noise Ratio Issues in Variational Inference for Deep Gaussian Processes [55.62520135103578]
  重み付き変分推論を用いたDGP(Deep Gaussian Processs)の訓練で用いられる勾配推定は,信号-雑音比(SNR)問題の影響を受けやすいことを示す。 DGPモデルの予測性能が一貫した改善につながることを示す。
  論文  参考訳（メタデータ） (2020-11-01T14:38:02Z)

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。