論文の概要: Towards Real-World Wearable Motion Reconstruction

• arxiv url: http://arxiv.org/abs/2607.09780v1
• Date: Wed, 08 Jul 2026 11:56:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.191339
• Title: Towards Real-World Wearable Motion Reconstruction
• Title（参考訳）: 実世界のウェアラブル・モーション・コンストラクションを目指して
• Abstract要約: 地上3Dモーションと消費者グレードのセンサを同期する大規模データセットを提案する。 第2に、利用可能なセンサの任意の部分集合から動きを再構成するベースライン生成モデルWHIPを提案する。 第三に、センサの相補性について体系的な研究を行い、異なるモードが相互に相補的な関係を定量化する。
• 参考スコア（独自算出の注目度）: 68.1355376294881
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The modern-day surge in popularity of wearable devices poses a fundamentally unique motion capture problem: reconstructing full-body movement from any set of sensing hardware worn at a given moment. Yet, most research efforts assume fixed sensor configurations (e.g. IMU suits or HMD-centric rigs) and cannot generalize across them. In contrast, we argue that motion capture should prioritize unobtrusive and lightweight devices such as smartphones, smartwatches, smart glasses, and smart insoles, and study the interplay between them. To this end, we make three contributions. First, we present a large-scale multi-modal dataset synchronizing these consumer-grade sensors with ground-truth 3D motion, spanning 50 diverse activities including everyday tasks, sports, and social interactions. Second, we propose WHIP, a baseline generative model that reconstructs motion from arbitrary subsets of available sensors, robustly handling missing modalities and producing physically plausible motions. Third, we conduct a systematic study of sensor complementarity, quantifying how different modalities complement one another. Code and dataset are available at https://vcai.mpi-inf.mpg.de/projects/WHIP/
• Abstract（参考訳）: 現代のウェアラブルデバイスの普及は、基本的にユニークなモーションキャプチャーの問題を引き起こしている。 しかし、ほとんどの研究は、固定センサー構成(例えば、IMUスーツやHMD中心のリグ)を前提としており、それらを一般化することができない。 対照的に、モーションキャプチャーは、スマートフォン、スマートウォッチ、スマートグラス、スマートインソールなどの邪魔にならない軽量デバイスを優先し、それら間の相互作用を研究するべきだ、と私たちは主張する。 この目的のために、私たちは3つのコントリビューションを行います。 まず,これらのコンシューマグレードセンサと地上3Dモーションを同期させる大規模マルチモーダルデータセットを提案する。 第二に、WHIPは、利用可能なセンサの任意の部分集合から動きを再構成し、欠落したモーダルを頑健に処理し、物理的に可視な動きを生成するベースライン生成モデルである。 第三に、センサの相補性について体系的な研究を行い、異なるモードが相互に相補的な関係を定量化する。 コードとデータセットはhttps://vcai.mpi-inf.mpg.de/projects/WHIP/で入手できる。

関連論文リスト

• Sen-Cap: Sensor-Flexible and Noise-Resilient Human Motion Capture via LiDAR-Camera Integration [50.18488308004802]
  Sen-Capは、LiDARとカメラのマルチモーダルデータを統合した3Dモーションキャプチャフレームワークである。 Sen-CapはHuman-M3とFreeMotionの主要なメトリクスで最先端のパフォーマンスを達成する。 この柔軟性と堅牢性の組み合わせは、現実のシナリオにおけるモーションキャプチャの新しい機会を開放する。
  論文  参考訳（メタデータ） (2026-08-03T14:16:18Z)
• EgoExoMoCap: Distributed Ego-Exo Human Motion Capture [38.54314764814604]
  ヘッドマウントデバイス(HMD)からの人間のモーションキャプチャは、現実世界の人間のモーションとインタラクションデータを取得するスケーラブルな方法を提供する。 我々は,HMDから人間の動き推定を行うために,エゴとエクソセントリックなマルチモーダル信号を共同で利用する分散フレームワークを提案する。 私たちのアプローチであるEgoExoMoCapは、2人(もしくはそれ以上)の人と同じくらいシンプルで、それぞれがスマートグラスを着用しています。
  論文  参考訳（メタデータ） (2026-07-17T11:31:41Z)
• Ego4o: Egocentric Human Motion Capture and Understanding from Multi-Modal Input [62.51283548975632]
  この研究は、VR/ARヘッドセット、スマートグラス、携帯電話、スマートウォッチなどの消費者向けウェアラブルデバイスを使用して、人間の動きを追跡し、理解することに焦点を当てている。 Ego4o(o for omni)は,マルチモーダルなエゴセントリックインプットから人間の動きを同時に捉え,理解するための新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-04-11T11:18:57Z)
• Suite-IN: Aggregating Motion Features from Apple Suite for Robust Inertial Navigation [10.634236058278722]
  異なる身体部位のセンサーが捉えた動きデータには、局所的な動き情報とグローバルな動き情報の両方が含まれている。 慣性ナビゲーションのためのApple Suiteからの動作データを集約するマルチデバイスディープラーニングフレームワーク Suite-INを提案する。
  論文  参考訳（メタデータ） (2024-11-12T14:23:52Z)
• Sitcom-Crafter: A Plot-Driven Human Motion Generation System in 3D Scenes [90.39860012099393]
  Sitcom-Crafterは3D空間における人間のモーション生成システムである。 機能生成モジュールの中心は、我々の新しい3Dシーン対応ヒューマン・ヒューマン・インタラクションモジュールである。 拡張モジュールは、コマンド生成のためのプロット理解、異なるモーションタイプのシームレスな統合のためのモーション同期を含む。
  論文  参考訳（メタデータ） (2024-10-14T17:56:19Z)
• Motion Capture from Inertial and Vision Sensors [73.3003181330859]
  Inertial と visION Sensors から収集した大規模なモーションキャプチャーデータセット MINIONS をコントリビュートする。 提案するMINIONSデータセットを用いて,IMUやビデオから人間の動きをキャプチャするSparseNetフレームワークを提案する。 実験結果は、慣性・視覚センサーの独特な利点を強調し、消費者が使用可能なマルチモーダルモーションキャプチャーの可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-07-23T09:41:10Z)
• I'M HOI: Inertia-aware Monocular Capture of 3D Human-Object Interactions [42.87514729260336]
  イムホイ(I'm-HOI)は、人間と物体の両方の3Dの動きを、新しい環境で忠実に捉えようとするモノクラースキームである。 一般的な動き推論とカテゴリー認識の洗練を兼ね備えている。 私たちのデータセットとコードはコミュニティにリリースされます。
  論文  参考訳（メタデータ） (2023-12-10T08:25:41Z)
• SparsePoser: Real-time Full-body Motion Reconstruction from Sparse Data [1.494051815405093]
  SparsePoserは、スパースデータから全身のポーズを再構築するための、新しいディープラーニングベースのソリューションである。 このシステムには、高品質な連続した人間のポーズを合成する畳み込み型オートエンコーダが組み込まれている。 本手法は,IMUセンサや6-DoFトラッキングデバイスを用いた最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-03T18:48:01Z)
• QuestSim: Human Motion Tracking from Sparse Sensors with Simulated Avatars [80.05743236282564]
  人間の身体の動きのリアルタイム追跡は、AR/VRにおける没入感のある体験に不可欠である。 本稿では,HMDと2つのコントローラから疎信号を取り出す強化学習フレームワークを提案する。 一つのポリシーは、多様な移動スタイル、異なる体の大きさ、新しい環境に対して堅牢であることを示す。
  論文  参考訳（メタデータ） (2022-09-20T00:25:54Z)

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。