論文の概要: RePos: Relative-to-Absolute Output Factorization for Cross-Environment WiFi-Based 3D Human Pose Estimation

• arxiv url: http://arxiv.org/abs/2607.02986v1
• Date: Fri, 03 Jul 2026 05:49:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.48354
• Title: RePos: Relative-to-Absolute Output Factorization for Cross-Environment WiFi-Based 3D Human Pose Estimation
• Title（参考訳）: RePos: 環境横断型WiFiベースの3次元人文推定のための相対的・絶対的出力係数化
• Abstract要約: コモディティWiFiチャンネル状態情報(CSI)を用いたデバイスフリーな3次元人物ポーズ推定により、プライバシー保護と照明を損なう人間のセンシングが可能となる。 本稿では,根の局所化から根の相対的ポーズ推定を分離する因子化フレームワークRePosを提案する。 厳格なMM-Fiクロス環境プロトコルの下で、RePosは254.4-296.1 mmのMPJPEを達成している。
• 参考スコア（独自算出の注目度）: 15.398789370857786
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Device-free 3D human pose estimation using commodity WiFi Channel State Information (CSI) enables privacy-preserving and illumination-robust human sensing, but its deployment is limited by poor cross-environment generalization. Unlike images, CSI measurements do not have a spatially localized correspondence to body parts and are heavily affected by multipath propagation, causing models that regress absolute poses to entangle body structure with environment-specific location cues. Within a single environment this coupling is benign: an end-to-end absolute-pose variant, RePos-D, already achieves state-of-the-art accuracy on Person-in-WiFi-3D (86.9 mm MPJPE, a 3.4% gain over the previous best WiFi method, DT-Pose). Across environments, however, the same model overfits position and suffers significant performance degradation. We therefore propose RePos, a factorized framework that separates root-relative pose estimation from root localization. By preventing absolute-pose supervision from affecting the structure branch, RePos learns environment-invariant pose representations. Specifically, it groups CSI features into body-part-aware latent tokens that skeleton-guided modeling refines into the pose, while a separate amplitude-based network estimates the root position through a differentiable spatial-decomposition module. Under the strict MM-Fi cross-environment protocol, RePos achieves MPJPEs of 254.4-296.1 mm, a 10-21% reduction over existing WiFi-based methods. The improvement remains consistent across activity protocols, leave-one-environment-out splits, and leakage-free few-shot transfer. Analysis of the learned features shows that relative-pose representations remain largely position-agnostic, while root localization retains environment dependence, indicating distinct generalization behavior for structure and localization.
• Abstract（参考訳）: コモディティWiFiチャンネル状態情報(CSI)を用いたデバイスフリーな3次元人物ポーズ推定は、プライバシー保護と照明汚染による人間のセンシングを可能にするが、その展開は環境横断の一般化の貧弱さによって制限される。 画像とは異なり、CSI測定は身体部分との空間的局所的な対応を持たず、多経路伝播の影響を強く受けており、絶対的なポーズが環境特異的な位置手がかりで身体構造を絡ませるモデルを引き起こしている。 エンドツーエンドの絶対位置変種であるRePos-Dは、Person-in-WiFi-3D(86.9 mm MPJPE、以前の最高のWiFiメソッドであるDT-Poseよりも3.4%の精度を実現している。 しかし、環境全体において、同じモデルが位置をオーバーフィットさせ、大幅な性能低下を被る。 そこで我々はRePosを提案する。RePosは根の局所化から根の相対的なポーズ推定を分離する因子化フレームワークである。 絶対的な目的の監視が構造ブランチに影響を与えるのを防ぐことで、RePosは環境不変のポーズ表現を学ぶ。 具体的には、CSIの特徴をボディパート対応の潜伏トークンに分類し、スケルトン誘導モデリングはポーズを洗練させ、別の振幅ベースのネットワークは、微分可能な空間分解モジュールを通して根の位置を推定する。 厳格なMM-Fiクロス環境プロトコルの下で、RePosは254.4-296.1 mmのMPJPEを達成している。 改善は、アクティビティプロトコル、Leave-one-Evironment-out スプリット、リークフリーな数ショット転送などにわたって一貫している。 学習した特徴の分析から, 相対的目的表現は位置に依存しないままであり, 根の局所化は環境依存を保ち, 構造と局所化の異なる一般化挙動を示すことが明らかとなった。

関連論文リスト

• DisPOSE: Projected Polystochastic Diffusion for Self-Supervised Multi-View 3D Human Pose Estimation [58.47973015036709]
  DisPOSEは、本質的に離散的な多視点人物割り当て問題を近似する自己教師型フレームワークである。 特定可能なシンクホーン射影を用いることにより、本モデルは有効かつ実現可能な課題への解の導出を学ぶ。 提案手法は、標準データセット上での最先端の自己教師手法よりも優れている。
  論文  参考訳（メタデータ） (2026-06-05T16:14:39Z)
• Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
  無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。 本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。 提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
  論文  参考訳（メタデータ） (2026-04-02T08:08:41Z)
• Breaking Coordinate Overfitting: Geometry-Aware WiFi Sensing for Cross-Layout 3D Pose Estimation [26.629874388669176]
  本稿では、WiFiベースのクロスドメインポーズ推定のための最初の幾何条件付きフレームワークPerceptAlignを紹介する。 PerceptAlignは、最先端のベースラインと比較して、ドメイン内エラーを12.3%削減し、ドメイン間エラーを60%以上削減する。 これらの結果は、スケーラブルで実用的なWiFiセンシングへの有効な経路として、幾何学条件学習を確立している。
  論文  参考訳（メタデータ） (2026-01-18T04:13:09Z)
• VST-Pose: A Velocity-Integrated Spatiotem-poral Attention Network for Human WiFi Pose Estimation [10.371863139473456]
  VST-Poseは、WiFiチャネルの状態情報を用いた正確なポーズ推定のための新しいフレームワークである。 提案手法はPCK@50の精度を92.2%向上し,PCK@50の精度を8.3%向上させた。 提案システムは,室内環境下での連続した人間の動作分析のための信頼性とプライバシを意識したソリューションを提供する。
  論文  参考訳（メタデータ） (2025-07-13T15:11:18Z)
• Unsupervised Cross-Domain 3D Human Pose Estimation via Pseudo-Label-Guided Global Transforms [28.40521894200745]
  ポーズ位置間のグローバルな変換を行う新しいフレームワークを提案する。 Pose Augmentorは、人間の姿勢と体の大きさの変化に対処するために組み込まれている。 提案手法は最先端の手法より優れ、目標学習モデルよりも優れる。
  論文  参考訳（メタデータ） (2025-04-17T06:57:20Z)
• PIDLoc: Cross-View Pose Optimization Network Inspired by PID Controllers [7.582581416640314]
  PIDLocは、比例積分微分(PID)コントローラにインスパイアされた、新しいクロスビューポーズ最適化手法である。 PIDLOCは、KITTIデータセットのクロスビューポーズ推定において最先端のパフォーマンスを達成し、以前の最先端と比較して位置誤差を37.8%削減する。
  論文  参考訳（メタデータ） (2025-03-04T08:24:08Z)
• Exploiting Aggregation and Segregation of Representations for Domain Adaptive Human Pose Estimation [50.31351006532924]
  人間のポーズ推定(HPE)は最近、モーション分析、バーチャルリアリティー、ヘルスケア等に広く応用されているため、注目を集めている。 時間と労働集約的なアノテーションのために、ラベル付き現実世界のデータセットが不足している。 本稿では,ドメイン適応型人間のポーズ推定のための表現集約と分離を両立させる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-29T17:59:45Z)
• AdaPose: Towards Cross-Site Device-Free Human Pose Estimation with Commodity WiFi [34.06785676288187]
  WiFiベースのポーズ推定は、スマートホームとメタバースアバター生成の発展に大きな可能性を持つ技術である。 本稿では,Wi-Fi ベースのポーズ推定に特化して設計されたドメイン適応アルゴリズム AdaPose を提案する。 我々は,自作ポーズ推定データセットを用いて,2つの異なるシーンにおけるドメイン適応に関する広範な実験を行った。
  論文  参考訳（メタデータ） (2023-09-29T04:16:33Z)
• Generalizing Neural Human Fitting to Unseen Poses With Articulated SE(3) Equivariance [48.39751410262664]
  ArtEqは、点雲からのSMPLモデル推定のための部分ベースSE(3)等価ニューラルネットワークである。 実験の結果,ArtEqはトレーニング中に見えない動作を一般化し,身体再建精度の点で最先端の手法を44%上回った。
  論文  参考訳（メタデータ） (2023-04-20T17:58:26Z)
• Non-Local Latent Relation Distillation for Self-Adaptive 3D Human Pose Estimation [63.199549837604444]
  3次元ポーズ推定アプローチは、強い(2D/3Dポーズ)または弱い(複数ビューまたは深さ)ペアによる監督の異なる形態を利用する。 我々は3Dポーズ学習を,ラベル付きソースドメインから完全に損なわれないターゲットへのタスク知識の転送を目的とした,自己指導型適応問題として捉えた。 我々は、異なる自己適応設定を評価し、標準ベンチマークで最先端の3Dポーズ推定性能を示す。
  論文  参考訳（メタデータ） (2022-04-05T03:52:57Z)
• Locally Aware Piecewise Transformation Fields for 3D Human Mesh Registration [67.69257782645789]
  本論文では,3次元変換ベクトルを学習し,提案空間内の任意のクエリ点をリザーブ空間内の対応する位置にマップする部分変換場を提案する。 パラメトリックモデルにネットワークのポーズを合わせることで、特に極端なポーズにおいて、より優れた登録品質が得られることを示す。
  論文  参考訳（メタデータ） (2021-04-16T15:16:09Z)

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。