論文の概要: PhysFlow: Frequency Decoupled with Dual-Field Rectified Flow for Remote Photoplethysmography

• arxiv url: http://arxiv.org/abs/2606.23226v1
• Date: Mon, 22 Jun 2026 12:14:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 23:11:28.362983
• Title: PhysFlow: Frequency Decoupled with Dual-Field Rectified Flow for Remote Photoplethysmography
• Title（参考訳）: Phys Flow:Dual-Field Rectified Flowを併用したリモート光胸腺造影法
• Authors: Zixu Li, jianjun Qian, Hang Shao, Lei Luo, Jian Yang,
• Abstract要約: Photoplethysは、顔ビデオからの非接触パルス推定を可能にし、健康モニタリングの不可欠なツールとして機能する。 現在のディープラーニング手法は、しばしば複雑な障害の下で苦労する。 PhysFlowは、ロバスト r 推定に適した周波数分離型2次元フローフレームワークである。
• 参考スコア（独自算出の注目度）: 31.648467283862416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Remote Photoplethysmography (rPPG) enables contactless pulse estimation from facial videos, serving as a vital tool for health monitoring. However, current deep learning methods often struggle under complex disturbances, particularly varying illumination, facial expressions, and unconstrained head movements. In such scenarios, subtle physiological signals are easily dominated by external interference, making the recovered rPPG waveform unstable and unreliable. One important reason is that most existing methods directly model the rPPG signal in a unified manner, where different signal components are coupled during reconstruction. This makes it difficult to preserve weak pulse-related variations when strong disturbance-induced changes are present. To address this challenge, we propose PhysFlow, a frequency-decoupled dual-field rectified flow framework tailored for robust rPPG estimation. Specifically, the ground-truth rPPG signal is decomposed into trend and amplitude components, which are used as separate supervisory targets. Based on the extracted facial features, PhysFlow learns two component-specific conditional velocity fields to model the two components separately. This design reduces mutual interference between different components and improves the robustness of rPPG reconstruction under complex disturbances. Moreover, the rectified flow formulation enables efficient waveform reconstruction with only a few ordinary differential equation (ODE) integration steps. Extensive experiments on multiple benchmark datasets demonstrate that PhysFlow outperforms state-of-the-art methods in both heart-rate estimation and rPPG waveform reconstruction across diverse challenging scenarios.
• Abstract（参考訳）: RPPG(Remote Photoplethysmography)は、顔画像からの非接触パルス推定を可能にし、健康モニタリングの不可欠なツールとして機能する。 しかし、現在のディープラーニング手法は複雑な障害、特に様々な照明、表情、制約のない頭の動きに苦しむことが多い。 このようなシナリオでは、微妙な生理学的信号は外部干渉によって容易に支配され、回復したrPPG波形は不安定で信頼性が低い。 重要な理由の1つは、既存のほとんどの手法が、再構成中に異なる信号成分が結合される統一的な方法でrPPG信号を直接モデル化していることである。 これにより、強い外乱によって引き起こされる変化が存在する場合、弱いパルス関連の変化を維持することが困難になる。 この課題に対処するために、ロバストなrPPG推定に適した周波数分離型二重フィールド整流フローフレームワークであるPhysFlowを提案する。 具体的には、地上のRPPG信号はトレンド成分と振幅成分に分解され、個別の監視対象として使用される。 抽出した顔の特徴に基づいて、PhysFlowは2つのコンポーネント固有の条件付き速度場を学習し、2つのコンポーネントを個別にモデル化する。 この設計は、異なるコンポーネント間の相互干渉を低減し、複雑な乱れ下でのrPPG再構成の堅牢性を向上させる。 さらに、整流流の定式化により、数個の常微分方程式(ODE)積分ステップだけで効率的な波形再構成が可能となる。 複数のベンチマークデータセットに対する大規模な実験により、PhysFlowは様々な困難なシナリオにおいて、心拍数推定とrPPG波形再構成の両方において最先端の手法より優れていることが示された。

関連論文リスト

• PhysNeXt: Next-Generation Dual-Branch Structured Attention Fusion Network for Remote Photoplethysmography Measurement [50.524262997433546]
  ハーモグラフィーは、心臓の脈動によって引き起こされる顔の皮膚の色変化を分析し、心拍数やその他の重要な兆候を測定することができる。 現在の手法は主に生のビデオからエンド・ツー・エンドのモデリング、または微妙な心拍マップ(ST)表現に基づいている。 本稿では,ビデオフレームとST表現を併用したデュアルインプットディープラーニングフレームワークであるPhysMapXtを提案する。
  論文  参考訳（メタデータ） (2026-03-20T08:37:02Z)
• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• PhysioWave: A Multi-Scale Wavelet-Transformer for Physiological Signal Representation [14.124553708665117]
  生理学的信号解析のためのウェーブレットに基づく新しいアプローチを提案する。 EMGとECGに特有の2つの大規模事前訓練モデルが初めて導入された。 統合マルチモーダルフレームワークは、事前訓練された脳波モデルを統合することで構築される。
  論文  参考訳（メタデータ） (2025-06-12T05:11:41Z)
• PhysFormer++: Facial Video-based Physiological Measurement with SlowFast Temporal Difference Transformer [76.40106756572644]
  最近のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙な手がかりのマイニングに重点を置いている。 本稿では,PhysFormerとPhys++++をベースとした2つのエンドツーエンドビデオ変換器を提案する。 4つのベンチマークデータセットで総合的な実験を行い、時間内テストとクロスデータセットテストの両方において優れた性能を示す。
  論文  参考訳（メタデータ） (2023-02-07T15:56:03Z)
• PhysFormer: Facial Video-based Physiological Measurement with Temporal Difference Transformer [55.936527926778695]
  近年のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙なrの手がかりのマイニングに重点を置いている。 本稿では,エンドツーエンドのビデオトランスをベースとしたアーキテクチャであるPhysFormerを提案する。
  論文  参考訳（メタデータ） (2021-11-23T18:57:11Z)
• Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
  非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。 次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。 歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
  論文  参考訳（メタデータ） (2020-07-16T09:39:17Z)

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。