論文の概要: Pose-to-Biomechanics: Bridging 3D Human Pose Estimation and Biomechanical Attribute Prediction
- arxiv url: http://arxiv.org/abs/2607.08725v1
- Date: Thu, 09 Jul 2026 17:31:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.610309
- Title: Pose-to-Biomechanics: Bridging 3D Human Pose Estimation and Biomechanical Attribute Prediction
- Title（参考訳）: ポス・ツー・バイオメカニクス:3次元人間のポス推定と生体力学的属性予測
- Abstract要約: BioModuleは軽量なプラグイン時間変換器で、任意の3Dポーズ推定器の下流に取り付ける。
BioModuleは推定器に依存しないため、上流のポーズモデルを変更する必要はない。
我々は7つの最先端の3Dポーズ推定器でBioModuleをベンチマークした。
- 参考スコア（独自算出の注目度）: 4.726777092009554
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent progress in 3D human pose estimation has made markerless recovery of skeletal motion increasingly accurate and scalable. However, most pose estimators remain optimized for geometric keypoint accuracy, while many real-world applications in rehabilitation, sports science, ergonomics, and clinical movement analysis require biomechanical quantities that describe how the body moves, loads, and activates. In this work, we propose BioModule, a lightweight plug-in temporal transformer that attaches downstream of any 3D pose estimator and predicts biomechanical attributes from standard 17-joint 3D skeletons. BioModule is estimator-agnostic and requires no modification of the upstream pose model, enabling existing pose estimators to be extended toward physically interpretable motion analysis. To train and evaluate BioModule, we construct a large-scale aligned dataset pairing Human3.6M video and 3D keypoints with the biomechanical label space of Human3.6Mplus. We establish and verify anatomical correspondence between coordinate systems of the two datasets, enabling frame-accurate cross-modal supervision. Using this aligned supervision, BioModule predicts biomechanical quantities. We further benchmark BioModule across seven state-of-the-art 3D pose estimators, providing the first systematic analysis of how upstream pose estimation quality propagates to downstream biomechanical prediction fidelity. The results position BioModule as a compact, modular bridge between vision-based pose estimation and biomechanically meaningful human motion analysis.
- Abstract（参考訳）: 近年の3次元ポーズ推定の進歩は、骨格運動のマーカーレス回復をますます正確でスケーラブルなものにしている。
しかし、ほとんどのポーズ推定器は幾何学的キーポイント精度に最適化されているが、リハビリテーション、スポーツ科学、エルゴノミクス、臨床運動分析における現実世界の多くの応用は、身体がどのように動き、負荷、活性化するかを記述するバイオメカニカルな量を必要とする。
本研究では,3次元ポーズ推定器の下流に装着し,標準的な17関節の3次元骨格から生体力学的特性を予測する軽量なプラグイン時間変換器であるBioModuleを提案する。
BioModuleは推定器に依存しず、上流のポーズモデルを変更する必要がなく、既存のポーズ推定器を物理的に解釈可能な動作分析に拡張することができる。
バイオモジュールのトレーニングと評価を行うため,Human3.6Mplusのバイオメカニカルラベル空間とHuman3.6Mビデオと3Dキーポイントを組み合わせた大規模アライメントデータセットを構築した。
2つのデータセットの座標系間の解剖学的対応を確立し,検証し,フレーム・正確な相互監視を可能にする。
この調整された監督を用いて、バイオモジュールは生体力学量を予測する。
さらに,7つの最先端の3次元ポーズ推定器でBioModuleをベンチマークし,上流のポーズ推定品質が下流の生体力学的予測忠実度にどのように伝播するかの体系的解析を行った。
その結果、バイオモジュールは視覚に基づくポーズ推定と生体力学的に意味のある人間の動き解析の間のコンパクトでモジュラーな橋として位置づけられた。
関連論文リスト
- Biomechanical 3D Body: Self-Supervised Distillation of Biomechanical Pose from a 3D Body Foundation Model [15.358487825950212]
我々は既存の基盤モデルSAM-3D-Bodyを拡張し、生体力学モデルの関節角度とスケールを補強する生体力学的予測ヘッドを追加する。
これを解決するために, 逆キネマティクスを行うLevenberg-Marquardtソルバのループ内最適化目標を用いたバイオメカニカルアウトプットを, メッシュ予測のマーカーに適合させる。
我々は,このモデルを2つのマーカーベースデータセット(MoViとBioCV)に適合する生体力学的適合性,およびマルチビューマーカーレスモーションキャプチャーによる臨床コホートからの移動性について検証した。
論文 参考訳（メタデータ） (2026-08-30T17:46:11Z) - SOMA: From Surface Observations to Muscle Anatomy [55.23576061150391]
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。
論文 参考訳（メタデータ） (2026-06-08T09:20:46Z) - Towards World Models in Biomedical Research [77.59710966764466]
我々は,AIによる発見のパラダイムとして,バイオメディカルワールドモデルを提案する。
これらのモデルは、介入条件付き力学とともに、分子、細胞、組織、臨床状態の潜伏表現を学習する。
バイオメディカルワールドモデルは, 仮想細胞, オルガノイド, 仮想患者, 手術シミュレーションなど, データエンジン, 環境シミュレータ, 科学計画基板としてどのように機能するかを論じる。
論文 参考訳（メタデータ） (2026-06-04T09:28:54Z) - BioHuman: Learning Biomechanical Human Representations from Video [11.653644899302542]
既存のモーションキャプチャーデータセットから筋肉の活性化を推定するためのシミュレーションベースのフレームワークを提案する。
本稿では,モノクロ映像を入力とし,人間の動きと筋の活性化を共同で予測するエンド・ツー・エンド・エンド・モデルであるBioHumanを提案する。
論文 参考訳（メタデータ） (2026-05-14T12:36:53Z) - SIMSPINE: A Biomechanics-Aware Simulation Framework for 3D Spine Motion Annotation and Benchmarking [19.28827026574636]
解剖学的に一貫した3次元の脊髄キーポイントで人間のポーズデータセットを増強する生体力学対応キーポイントシミュレーションフレームワークを提案する。
私たちはSIMSPINEという名の最初のオープンデータセットを作成し、自然の全身運動に脊椎レベルの3D脊髄アノテーションを提供する。
2.14万フレームを使用すると、微妙な姿勢変化から脊椎キネマティックスをデータ駆動で学習することができる。
論文 参考訳（メタデータ） (2026-02-24T11:31:20Z) - SAM 3D Body: Robust Full-Body Human Mesh Recovery [65.0108906331903]
シングルイメージフルボディ3Dヒューマンメッシュリカバリ(HMR)のためのアクセラブルモデルSAM 3D Body (3DB)を紹介する。
3DBは、身体、足、手の人間のポーズを推定します。
骨格構造と表面形状を分離する新しいパラメトリックメッシュ表現であるMomentum Human Rig(MHR)を使用した最初のモデルである。
論文 参考訳（メタデータ） (2026-02-17T20:26:37Z) - From Skin to Skeleton: Towards Biomechanically Accurate 3D Digital Humans [50.014530130312714]
SMPL体モデルに生体力学スケルトンを付加したSKELを開発した。
その結果,SKELはSMPLよりも生体力学的に正確な関節位置を有しており,骨は従来法よりも体表面に収まることがわかった。
論文 参考訳（メタデータ） (2025-09-08T12:24:27Z) - BioPose: Biomechanically-accurate 3D Pose Estimation from Monocular Videos [6.280386490530478]
BioPoseは、モノクロビデオから直接、生体力学的に正確な3Dポーズを予測するための学習ベースのフレームワークである。
マルチクエリヒューマンメッシュリカバリモデル(MQ-HMR)、ニューラル・インバース・キネマティクス(NeurIK)モデル、および2Dインフォームド・ポーズ・リファインメント技術を含んでいる。
ベンチマークデータセットの実験では、BioPoseが最先端の手法を大幅に上回っていることが示されている。
論文 参考訳（メタデータ） (2025-01-14T02:56:19Z) - MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。
このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。
また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
論文 参考訳（メタデータ） (2024-04-16T02:18:18Z) - 3D Kinematics Estimation from Video with a Biomechanical Model and
Synthetic Training Data [4.130944152992895]
2つの入力ビューから3Dキネマティクスを直接出力するバイオメカニクス対応ネットワークを提案する。
実験により, 提案手法は, 合成データにのみ訓練されたものであり, 従来の最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-02-20T17:33:40Z) - EVOPOSE: A Recursive Transformer For 3D Human Pose Estimation With
Kinematic Structure Priors [72.33767389878473]
本研究では,3次元ポーズ推定を効果的に行うために,トランスフォーマーを用いたモデルEvoPoseを提案する。
構造的優先表現(Structure Priors Representation, SPR)モジュールは、人体パターンの豊富な構造的特徴として、人間の先行を表現している。
推定結果を利用して3Dポーズ出力にRecursive Refinement(RR)モジュールを印加し、同時に人間を注入する。
論文 参考訳（メタデータ） (2023-06-16T04:09:16Z)
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。