論文の概要: Mesh-Aware Epipolar Matching for Multi-View Multi-Person 3D Pose Estimation in Basketball

• arxiv url: http://arxiv.org/abs/2605.29953v1
• Date: Thu, 28 May 2026 13:59:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.371719
• Title: Mesh-Aware Epipolar Matching for Multi-View Multi-Person 3D Pose Estimation in Basketball
• Title（参考訳）: バスケットボールにおける多視点マルチパーソン3次元ポーズ推定のためのメッシュ対応エピポーラマッチング
• Authors: Li Yin, Qin Haobin, Tomohiro Suzuki, Calvin Yeung, Mariko Isogawa, Keisuke Fujii,
• Abstract要約: Mesh-Aware Epipolar Matching (MAEM) はマルチビューマルチパーソン3Dポーズ推定のためのトレーニングフリーフレームワークである。 2つのパブリックなマルチビューバスケットボールデータセットの実験は、MAEMが既存のトレーニングフリーアソシエーションベースラインを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 10.727074525703147
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-view multi-person 3D pose estimation in team sports scenarios remains challenging due to player occlusions, appearance similarity caused by team uniforms, and the scarcity of annotated multi-view data, all of which limit the effectiveness and generalization capability of learning-based methods. In contrast, the performance of training-free approaches is inherently constrained by the accuracy of 2D keypoint detection and the robustness of cross-view association. To address these challenges, we propose Mesh-Aware Epipolar Matching (MAEM), a training-free framework for multi-view multi-person 3D pose estimation. Our method employs a monocular 3D human mesh recovery model as the frontend and introduces a two-stage epipolar matching strategy based on the recovered mesh outputs. Specifically, the proposed framework combines disjoint-set-union-based clustering with per-joint triangulation to achieve robust cross-view association and accurate 3D pose reconstruction. Experiments on two public multi-view basketball datasets demonstrate that MAEM consistently outperforms existing training-free association baselines while achieving competitive RGB-only performance in both indoor and outdoor basketball scenarios. MAEM achieves MPJPE/PA-MPJPE scores of 59.8/40.7 mm on SportCenter EPFL and 74.0/51.8 mm on Human-M3 Basketball, highlighting the effectiveness of dense mesh geometry for cross-view association without requiring target-domain training or fine-tuning.
• Abstract（参考訳）: チームスポーツシナリオにおける多視点多人数ポーズ推定は、選手の排除、チームユニフォームによる外観的類似性、注釈付き多視点データの不足など、学習ベースの手法の有効性と一般化能力に制限があるため、依然として困難なままである。 対照的に、トレーニングフリーアプローチの性能は、2次元キーポイント検出の精度とクロスビューアソシエーションの堅牢性によって本質的に制約されている。 これらの課題に対処するために,マルチパーソン3Dポーズ推定のためのトレーニングフリーフレームワークであるMesh-Aware Epipolar Matching (MAEM)を提案する。 本手法では, フロントエンドとしてモノラルな3次元メッシュ復元モデルを用い, 得られたメッシュ出力に基づいて2段階のエピポーラマッチング戦略を導入する。 具体的には,解離集合に基づくクラスタリングと解離点の三角測量を組み合わせることで,堅牢なクロスビューアソシエーションを実現し,正確な3次元ポーズ再構築を実現する。 2つのパブリックなマルチビューバスケットボールデータセットの実験は、MAEMが既存のトレーニングフリーアソシエーションベースラインを一貫して上回り、屋内と屋外の両方のバスケットボールシナリオで競争力のあるRGBのみのパフォーマンスを達成することを示した。 MAEMは、SportCenter EPFLで59.8/40.7 mm、Human-M3 Basketballで74.0/51.8 mmのMPJPE/PA-MPJPEスコアを達成し、ターゲットドメインのトレーニングや微調整を必要とせずに、クロスビューアソシエーションにおける高密度メッシュ幾何の有効性を強調した。

関連論文リスト

• Multi-person Physics-based Pose Estimation for Combat Sports [0.689728655482787]
  スパースマルチカメラを用いた戦闘スポーツにおける正確な3次元ポーズ推定のための新しい枠組みを提案する。 提案手法は,トランスフォーマーを用いたトップダウン手法により,堅牢なマルチビュー2Dポーズトラッキングを実現する。 我々はさらに、多対人物理に基づく軌道最適化のステップを導入することにより、ポーズリアリズムとロバスト性をさらに強化する。
  論文  参考訳（メタデータ） (2025-04-11T00:08:14Z)
• Beyond First Impressions: Integrating Joint Multi-modal Cues for Comprehensive 3D Representation [72.94143731623117]
  既存の方法は、単に3D表現を単一ビューの2D画像と粗い親カテゴリテキストに整列させる。 十分でないシナジーは、堅牢な3次元表現は共同視覚言語空間と一致すべきという考えを無視している。 我々は,JM3Dと呼ばれる多視点共同モダリティモデリング手法を提案し,点雲,テキスト,画像の統一表現を求める。
  論文  参考訳（メタデータ） (2023-08-06T01:11:40Z)
• On Triangulation as a Form of Self-Supervision for 3D Human Pose Estimation [57.766049538913926]
  ラベル付きデータが豊富である場合, 単一画像からの3次元ポーズ推定に対する改良されたアプローチは, 極めて効果的である。 最近の注目の多くは、セミと(あるいは)弱い教師付き学習に移行している。 本稿では,多視点の幾何学的制約を,識別可能な三角測量を用いて課し,ラベルがない場合の自己監督の形式として用いることを提案する。
  論文  参考訳（メタデータ） (2022-03-29T19:11:54Z)
• Direct Multi-view Multi-person 3D Pose Estimation [138.48139701871213]
  マルチビュー画像からマルチパーソン3Dポーズを推定するためのMulti-view Pose Transformer(MvP)を提案する。 MvPは、中間タスクに頼ることなく、複数の人物の3Dポーズを直接クリーンで効率的な方法で回帰する。 我々は,MvPモデルがより効率的でありながら,いくつかのベンチマークにおいて最先端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） (2021-11-07T13:09:20Z)
• Part-Aware Measurement for Robust Multi-View Multi-Human 3D Pose Estimation and Tracking [14.267441133820064]
  本稿では,キャリブレーションされたマルチビューに基づくマルチヒューマン3次元ポーズ推定とトラッキングのためのアプローチを提案する。 提案手法は時間的整合性を利用して, これまで構築された3次元骨格から推定された2次元ポーズに一致させる。 本稿では,2D-3Dアソシエーションのための部分認識計測と,再構成時に2Dアウトレーヤに対処可能なフィルタを提案する。
  論文  参考訳（メタデータ） (2021-06-22T07:50:09Z)
• Unsupervised Cross-Modal Alignment for Multi-Person 3D Pose Estimation [52.94078950641959]
  マルチパーソン・ヒューマン・ポーズ推定のためのデプロイフレンドリーで高速なボトムアップ・フレームワークを提案する。 我々は,人物の位置を対応する3Dポーズ表現と統一する,多人数の3Dポーズのニューラル表現を採用する。 ペア化された2Dまたは3Dポーズアノテーションが利用できない実用的な配置パラダイムを提案する。
  論文  参考訳（メタデータ） (2020-08-04T07:54:25Z)
• Weakly-Supervised 3D Human Pose Learning via Multi-view Images in the Wild [101.70320427145388]
  本稿では、3Dアノテーションを必要としない弱教師付きアプローチを提案し、ラベルのないマルチビューデータから3Dポーズを推定する。 提案手法を2つの大規模データセット上で評価する。
  論文  参考訳（メタデータ） (2020-03-17T08:47:16Z)

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。