論文の概要: PerBite: A Curated Diagnostic Workflow for Bite-Aware Food Volume Estimation
- arxiv url: http://arxiv.org/abs/2606.02021v1
- Date: Mon, 01 Jun 2026 10:11:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:31.787178
- Title: PerBite: A Curated Diagnostic Workflow for Bite-Aware Food Volume Estimation
- Title（参考訳）: PerBite:Bite対応食品量推定のための診断ワークフロー
- Authors: Ahmad AlMughrabi, Farid Al-Areqi, David Fernández Gómez, Umair Haroon, Marc Bolaños, Ricardo Marques, Petia Radeva,
- Abstract要約: 平均チャンファー距離は、34メッシュにわたる平均8.31であり、スケール補正なしで厳密なICPを使用する。
前17回と後17回では、州レベルのMAPEが33.87%、単調性がゼロであり、消費量MAPEは53.74%である。
- 参考スコア（独自算出の注目度）: 12.409002713019563
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Can a visually plausible food mesh be trusted to estimate the volume of consumed food? \method investigates this question using selected paired before- and after-consumption states from the MetaFood CVPR 2026 Continuous 3D Reconstruction While Eating Challenge. The submitted workflow follows a curated reconstruction protocol: SAM~3 segments the food and plate regions; Hunyuan3D/SAM~3D generates a dimensionless food mesh; the plate diameter provides the metric scale; the plate geometry is removed in Blender; and the remaining mesh is hole-filled, made watertight, and integrated to estimate volume. MoGe-2 is used only as an auxiliary cue for initial dish-diameter estimation when direct plate measurement is uncertain; it is not the primary scale source for the reported challenge result. \method ranks first, with an average Chamfer distance of 8.31 across 34 meshes using rigid ICP without scale correction. On 17 before- and after-pairs, it achieves 33.87\% state-level volume MAPE and zero monotonicity violations, while consumed-volume MAPE remains 53.74\%. The results show that surface reconstruction, metric scale, controlled mesh cleanup, watertight volume integration, and physical depletion consistency should be evaluated separately for dietary assessment. Source code and evaluation scripts will be available at \href{https://github.com/GCVCG/PerBite-CVPR-MetaFood-2026}{github.com/GCVCG/PerBite-CVPR-MetaFood-2026}.
- Abstract（参考訳）: 視覚的にもっともらしい食材メッシュは、消費される食品の量を見積もることができるか?
この問題をMetaFood CVPR 2026連続3D再構成実験から選択した前・後状態を用いて検討した。
SAM~3は食品とプレート領域を分割し、Hunyuan3D/SAM~3Dは無次元のメッシュを生成し、プレート直径はメートル法スケールを提供し、プレート形状はブレンダーで取り除かれ、残りのメッシュは穴埋めされ、水密化され、体積を推定するために統合される。
MoGe-2は, 直接プレート測定が不確実な場合に, 初期皿径推定の補助的キューとしてのみ使用される。
シャムファー距離は34メッシュで平均8.31であり、スケール補正なしで厳密なICPを使用する。
前17回と後17回では、状態レベルのMAPEが33.87 %、単調性がゼロであり、消費量MAPEが53.74 %である。
その結果, 食生活評価において, 表面改質, メカニカルスケール, コントロールメッシュクリーンアップ, 水分量統合, 物理的減量一貫性を別々に評価すべきであることが示唆された。
ソースコードと評価スクリプトは \href{https://github.com/GCVCG/PerBite-CVPR-MetaFood-2026}{github.com/GCVCG/PerBite-CVPR-MetaFood-2026} で入手できる。
関連論文リスト
- VolTex: Food Volume Estimation using Text-Guided Segmentation and Neural Surface Reconstruction [4.282795945742752]
既存の3次元食品容積推定法は, 食品の容積を正確に計算するが, 食品部分の選択は行わない。
食品容積推定における食品選択の変化を改善するフレームワークであるVolTexを提案する。
論文 参考訳（メタデータ） (2025-06-03T14:03:28Z) - VolE: A Point-cloud Framework for Food 3D Reconstruction and Volume Estimation [4.621139625109643]
モバイル端末駆動型3D再構成を利用して食品量を推定する新しいフレームワークであるVolEを提案する。
VolEは、AR対応モバイルデバイスのおかげで、画像やカメラの位置を自由に撮影し、正確な3Dモデルを生成する。
実験の結果,VolEは2.22 %のMAPEを達成し,複数のデータセットにわたる既存のボリューム推定手法より優れていることがわかった。
論文 参考訳（メタデータ） (2025-05-15T12:03:05Z) - MetaFood CVPR 2024 Challenge on Physically Informed 3D Food Reconstruction: Methods and Results [52.07174491056479]
私たちはMetaFood Workshopを主催し、物理的にインフォームドされた3Dフードレコンストラクションへの挑戦を行っている。
本課題は,2次元画像から,視認性チェッカーボードをサイズ基準として,食品の容積正確な3次元モデルを再構築することに焦点を当てる。
この課題で開発されたソリューションは、3D食品の復元において有望な成果を達成し、食事評価と栄養モニタリングのための部分推定の改善に有意な可能性を秘めている。
論文 参考訳（メタデータ） (2024-07-12T14:15:48Z) - VolETA: One- and Few-shot Food Volume Estimation [4.282795945742752]
本稿では,3次元生成技術を用いた食品量推定手法であるVolETAについて述べる。
当社のアプローチでは,1枚または数枚のRGBD画像を用いて,食品の3Dメッシュをスケールアップする。
MTFデータセットを用いて10.97%のMAPEを用いて、ロバストで正確なボリューム推定を行う。
論文 参考訳（メタデータ） (2024-07-01T18:47:15Z) - Vision-Based Approach for Food Weight Estimation from 2D Images [0.9208007322096533]
この研究は、さまざまな部分、向き、容器の14種類の食品からなる2380の画像のデータセットを用いている。
提案手法は深層学習とコンピュータビジョン技術を統合し,特に食品検出にFaster R-CNN,重量推定にMobileNetV3を用いている。
論文 参考訳（メタデータ） (2024-05-26T08:03:51Z) - NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
自己申告法はしばしば不正確であり、重大な偏見に悩まされる。
近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。
本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
論文 参考訳（メタデータ） (2024-05-13T14:56:55Z) - NutritionVerse-Real: An Open Access Manually Collected 2D Food Scene
Dataset for Dietary Intake Estimation [68.49526750115429]
食事摂取推定のための2D食品シーンデータセットであるNutritionVerse-Realを導入する。
NutritionVerse-Realデータセットは、実生活における食品シーンのイメージを手作業で収集し、各成分の重量を測定し、各料理の食生活内容を計算することによって作成されました。
論文 参考訳（メタデータ） (2023-11-20T11:05:20Z) - An End-to-end Food Portion Estimation Framework Based on Shape
Reconstruction from Monocular Image [7.380382380564532]
3次元形状再構成による単眼画像からの食品エネルギー推定のためのエンドツーエンドのディープラーニングフレームワークを提案する。
その結果,40.05kCalの平均絶対誤差 (MAE) とMAPEの11.47%の平均絶対誤差 (MAPE) が得られた。
論文 参考訳（メタデータ） (2023-08-03T15:17:24Z) - RibSeg Dataset and Strong Point Cloud Baselines for Rib Segmentation
from CT Scans [62.16198969529679]
CT(Computed tomography)スキャンにおける手動リブ検査は臨床的に重要であるが、労働集約的である。
公開データセットから490個のCTスキャン(11,719個のリブ)を含むラベル付きリブセグメンテーションベンチマークemphRibSegを開発した。
入力からスパルスボクセルをしきい値とし,リブセグメンテーションのための点群ベースライン法を設計した。
論文 参考訳（メタデータ） (2021-09-17T16:17:35Z) - Vision-Based Food Analysis for Automatic Dietary Assessment [49.32348549508578]
本総説では, 食品画像分析, 容積推定, 栄養素抽出の3段階からなる, 統合型ビジョンベース食事評価(VBDA)の枠組みを概説する。
深層学習により、VBDAは徐々にエンドツーエンドの実装へと移行し、単一のネットワークに食品画像を適用して栄養を直接見積もる。
論文 参考訳（メタデータ） (2021-08-06T05:46:01Z) - Cross-Modal Food Retrieval: Learning a Joint Embedding of Food Images
and Recipes with Semantic Consistency and Attention Mechanism [70.85894675131624]
画像とレシピを共通の特徴空間に埋め込み、対応する画像とレシピの埋め込みが互いに近接するように学習する。
本稿では,2つのモダリティの埋め込みを正規化するためのセマンティック・一貫性とアテンション・ベース・ネットワーク(SCAN)を提案する。
食品画像や調理レシピの最先端のクロスモーダル検索戦略を,かなりの差で達成できることが示される。
論文 参考訳（メタデータ） (2020-03-09T07:41:17Z)
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。