論文の概要: SOMA: From Surface Observations to Muscle Anatomy

• arxiv url: http://arxiv.org/abs/2606.09246v1
• Date: Mon, 08 Jun 2026 09:20:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.890367
• Title: SOMA: From Surface Observations to Muscle Anatomy
• Title（参考訳）: SOMA:表面観察から筋解剖まで
• Authors: Eduardo Alvarado, Emily Kim, Gerrit Nolte, Friedemann Runte, Mario Botsch, Marc Habermann, Christian Theobalt,
• Abstract要約: RGBカメラを用いて得られた表面信号から生体時相筋の挙動を推定する人特有のモデルであるSOMAを提案する。 本手法は従来のシミュレーションの複雑さを伴わずに,解剖学的に基底付けられたアニメーションをいかに提供するかを示す。
• 参考スコア（独自算出の注目度）: 55.23576061150391
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: With the growing demand for realistic virtual humans, parametric body models have become a cornerstone of modern medicine, sports, and entertainment applications. However, most of these models are inherently limited: they only capture the 3D surface of the skin, offering no insight into the complex bio-mechanical structures that generate motion. As more applications expand towards biomechanics, the need for virtual human models that go beyond the skin has become increasingly evident. Traditional soft-tissue simulations, such as FEM, are accurate but non-scalable and too computationally expensive for most common applications. Alternatively, existing biomechanical tools can simulate muscular forces and activations, but do not model changes in external shape, restricting how activations correlate with actual observable anatomy. This motivates a novel inverse research problem: recovering muscle deformations directly from visible surface observations - i.e., from the skin, and thus the pose. In this work, we present SOMA (from Surface Observations to Muscle Anatomy), a person-specific model that infers spatio-temporal muscle behavior from surface signals obtained using RGB cameras, and SKIM, a subject-specific soft-tissue deformation dataset. To the best of our knowledge, this is the first method that attempts to recover muscle deformations from multi-view RGB data. We show how our method provides anatomically grounded animations without the complexity of traditional simulations, leading to a scalable and cost-effective solution. Data and code are available.
• Abstract（参考訳）: 現実的な仮想人間への需要が高まり、パラメトリックボディモデルは現代医学、スポーツ、エンターテイメントの応用の基盤となっている。 しかし、これらのモデルのほとんどは本質的に限られたものであり、皮膚の3D表面のみを捉えており、運動を発生させる複雑な生体力学的構造についての洞察を与えていない。 より多くのアプリケーションがバイオメカニクスに向かって拡大するにつれ、皮膚を超えた仮想人間モデルの必要性がますます顕在化している。 FEMのような従来のソフト・タスク・シミュレーションは正確だが、計算可能ではなく、ほとんどの一般的なアプリケーションでは計算コストがかかりすぎる。 あるいは、既存のバイオメカニカルツールは筋肉の力や活性化をシミュレートできるが、外形の変化をモデル化せず、実際の観測可能な解剖とどのように相関するかを制限している。 これは、目に見える表面の観察、すなわち皮膚から筋肉の変形を直接回復し、その結果、ポーズを回復するという、新しい逆の研究課題を動機付けている。 本研究では、RGBカメラを用いて得られた表面信号から時空間筋の挙動を推定する人特有のモデルであるSOMA(Surface Observations to muscle Anatomy)と、被験者固有の軟組織変形データセットであるSKIMについて述べる。 我々の知る限りでは、これはマルチビューRGBデータから筋肉の変形を回復しようとする最初の方法である。 我々は,従来のシミュレーションを複雑にすることなく,解剖学的に基底としたアニメーションをいかに提供し,スケーラブルで費用対効果の高いソリューションを実現するかを示す。 データとコードは利用可能である。

関連論文リスト

• Towards Embodied AI with MuscleMimic: Unlocking full-body musculoskeletal motor learning at scale [38.15316304510102]
  muscleMimicは、生理学的に現実的な筋肉駆動モデルを用いたモーション模倣学習のためのオープンソースのフレームワークである。 筋骨格シミュレーションに計算障壁とデータバリアを下げることにより、マッスルミミックは様々な動的運動にまたがる系統的なモデル検証を可能にする。
  論文  参考訳（メタデータ） (2026-03-26T15:18:37Z)
• Musculoskeletal simulation of limb movement biomechanics in Drosophila melanogaster [32.89880065783502]
  ショウジョウバエの足の最初の3Dデータ駆動筋骨格モデルを紹介した。 複数の固定標本からの高分解能X線スキャンに基づくヒル型筋肉表現を応用した。 本モデルにより, 実験的に抽出可能なモデル生物における運動制御の解明が可能となった。
  論文  参考訳（メタデータ） (2025-09-08T08:21:14Z)
• Muscles in Time: Learning to Understand Human Motion by Simulating Muscle Activations [64.98299559470503]
  マッスル・イン・タイム (MinT) は、大規模な人工筋肉活性化データセットである。 227名の被験者と402名の模擬筋骨格をカバーする9時間以上のシミュレーションデータを含んでいる。 ヒトのポーズ配列からニューラルネットワークを用いた筋活動量推定の結果を示す。
  論文  参考訳（メタデータ） (2024-10-31T18:28:53Z)
• HUMOS: Human Motion Model Conditioned on Body Shape [54.20419874234214]
  身体形状に基づく生成運動モデルを構築するための新しいアプローチを提案する。 非ペアデータを使ってこのモデルをトレーニングすることが可能であることを示す。 得られたモデルは、多種多様で、物理的に妥当で、動的に安定した人間の動きを生成する。
  論文  参考訳（メタデータ） (2024-09-05T23:50:57Z)
• Learning a Generalized Physical Face Model From Data [19.58920251013244]
  物理シミュレーションは3次元顔アニメーションの強力なアプローチである。 大規模な3次元顔データセットから学習する,一般化された顔モデルを提案する。 我々のモデルは、目に見えないあらゆるアイデンティティに迅速に適合し、自動的に自己認識可能な物理顔モデルを生成することができる。
  論文  参考訳（メタデータ） (2024-02-29T18:59:31Z)
• LatentHuman: Shape-and-Pose Disentangled Latent Representation for Human Bodies [78.17425779503047]
  本稿では,人体に対する新しい暗黙の表現法を提案する。 完全に微分可能で、非交叉形状で最適化可能であり、潜在空間を映し出す。 我々のモデルは、よく設計された損失を伴う、水密でない生データを直接訓練し、微調整することができる。
  論文  参考訳（メタデータ） (2021-11-30T04:10:57Z)
• Learning Local Recurrent Models for Human Mesh Recovery [50.85467243778406]
  本稿では,人間のメッシュを標準的な骨格モデルに従って複数の局所的に分割するビデオメッシュ復元手法を提案する。 次に、各局所部分の力学を別個のリカレントモデルでモデル化し、各モデルは、人体の既知の運動構造に基づいて適切に条件付けする。 これにより、構造的インフォームドな局所的再帰学習アーキテクチャが実現され、アノテーションを使ってエンドツーエンドでトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-07-27T14:30:33Z)

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。