論文の概要: PhysAgent: A Multi-Agent Framework for Reliable Remote Heart Rate Estimation

• arxiv url: http://arxiv.org/abs/2608.00066v1
• Date: Wed, 29 Jul 2026 02:49:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.366459
• Title: PhysAgent: A Multi-Agent Framework for Reliable Remote Heart Rate Estimation
• Title（参考訳）: PhysAgent: 信頼性の高い遠隔心拍推定のためのマルチエージェントフレームワーク
• Abstract要約: Photoplethysは、顔ビデオから非接触型心拍数推定を可能にする。 現在の方法は、心拍数や脈波を直接予測する単一のモデルに依存している。 推論時マルチエージェントモデルであるPhysAgentを提案する。
• 参考スコア（独自算出の注目度）: 40.05930520726773
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Remote photoplethysmography (rPPG) enables non-contact heart-rate estimation from facial videos, but its weak physiological signal is easily corrupted by motion, illumination changes, occlusion, skin-appearance variation, and device noise. Existing rPPG methods typically rely on a single model to directly predict heart rate or recover pulse waveforms, while different strong estimators may produce conflicting yet individually plausible candidates for the same video. To resolve these conflicts, we propose PhysAgent, an inference-time multi-agent candidate-verification framework. Unlike direct prediction approaches, PhysAgent neither trains a new base rPPG model nor asks Multimodal Large Language Models (MLLMs) to output heart rate directly. In contrast, it treats outputs from multiple base estimators as physiological hypotheses to be verified and uses a lightweight 4B MLLM, Qwen3-VL-4B, to drive multi-agent reasoning over video conditions, signal reliability, and candidate disagreement. A deterministic physiological verifier checks the fusion proposal, and a reproducible numerical fusion process produces the final heart rate. Experimental results on multiple public rPPG benchmarks show that PhysAgent improves fusion stability and reliability across different datasets and source-domain settings, while avoiding the irreproducibility and physiological inconsistency of direct MLLM prediction or unconstrained ensemble fusion. The code will be released soon.
• Abstract（参考訳）: リモート光胸腺撮影(rPPG)は、顔画像から非接触性心拍数推定を可能にするが、その弱い生理的信号は、動き、照明の変化、閉塞、皮膚の外観の変化、デバイスノイズによって容易に破損する。 既存のrPPG法は通常、心拍数を直接予測したりパルス波形を回復するための単一のモデルに頼っている。 これらの対立を解決するために,推論時マルチエージェント候補検証フレームワークであるPhysAgentを提案する。 直接予測アプローチとは異なり、PhysAgentは新たなベースrPPGモデルをトレーニングしたり、Multimodal Large Language Models (MLLM) に心拍数を直接出力するよう依頼したりしない。 対照的に、複数の基底推定器からの出力を生理学的仮説として検証し、4B MLLM、Qwen3-VL-4Bを使用して、ビデオ条件、信号信頼性、および候補不一致に対するマルチエージェント推論を駆動する。 決定論的生理学的検証器は、融合提案をチェックし、再現可能な数値融合プロセスは、最終的な心拍数を生成する。 複数の公開rPPGベンチマークによる実験結果から、PhysAgentは直接MLLM予測や制約のないアンサンブル融合の非再現性と生理的不整合を回避しつつ、異なるデータセットとソースドメイン設定間での融合安定性と信頼性を向上させることが示された。 コードはまもなくリリースされる。

関連論文リスト

• Freezing of Gait Prediction Under Spatial Occlusion: An IMU-Supervised Cross-Modal Distillation Approach [0.0]
  パーキンソン病(英: Parkinson disease)は、運動制御の段階的な低下を特徴とする進行性神経変性疾患である。 自動フリーズ・オブ・ゲイト(FOG)検出は歩行関連運動障害の客観的評価を支援する。 FOG予測には, (i) 患者の動作の映像記録を分析し, (ii) 下肢に装着した慣性計測装置(IMU) ウェアラブルセンサを用いて収集したデータを解析する。 ビデオベースのアプローチは、下肢が相当な幾何学的自己閉塞を受けており、ポーズ推定の精度が低下するため、連続的なターン・イン・プレイス・タスク中に検出エラーを被る可能性がある。
  論文  参考訳（メタデータ） (2026-09-09T07:29:13Z)
• Perception, Verdict, and Evolution: Hindsight-Driven Self-Refining Forensics Agent for AI-Generated Image Detection [80.15317858033534]
  ForeAgentは、反復的な自己進化を伴うAI生成画像検出のためのエージェント法医学フレームワークである。 ForeAgentはChameleonベンチマークで最先端のパフォーマンスを達成し、精度は82.18%に達した。 ForeAgent は GPT-5 や GPT-5-mini と比較して、より一貫性があり、因果的な推論をもたらす。
  論文  参考訳（メタデータ） (2026-06-25T02:59:33Z)
• Intervention-Based Self-Supervised Learning: A Causal Probe Paradigm for Remote Photoplethysmography [38.62089038790769]
  新たなSSLパラダイムであるCausal Probing(PCP)を提案する。 PCPは潜伏rシグナルを基礎となる物理的ソースとして扱い、結果として生じるピクセルの色の変化を視覚的表現として扱う。 我々のエディタは、VIPL-HRやMMPD-HRといった挑戦的なデータセット上で、ドメイン内およびクロスドメインのパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-04-26T09:56:09Z)
• Causally-Constrained Probabilistic Forecasting for Time-Series Anomaly Detection [1.8995711908407733]
  本研究では,異常検出のための因果制約付き確率予測フレームワークを提案する。 ディープ・シークエンス・モデリングに先立って、明示的な時間付き因果グラフを統合する。 実験により,提案手法が最先端検出性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-20T09:24:28Z)
• AffectAgent: Collaborative Multi-Agent Reasoning for Retrieval-Augmented Multimodal Emotion Recognition [62.16431420189863]
  LLMに基づくマルチモーダル感情認識は静的なパラメトリックメモリに依存しており、ニュアンス化された感情状態の解釈時にしばしば幻覚を与える。 本稿では,感情指向型マルチエージェント検索拡張生成フレームワークであるAffectAgentを紹介する。 AffectAgentは3つの共同最適化されたエージェント、すなわちクエリプランナー、エビデンスフィルタ、感情生成器から構成される。
  論文  参考訳（メタデータ） (2026-04-14T13:49:19Z)
• 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)
• Plug-and-Play Diffusion Meets ADMM: Dual-Variable Coupling for Robust Medical Image Reconstruction [45.25461515976432]
  画像再構成のための強力なパラダイムとして,DP(Plug-and-Play diffusion prior)フレームワークが登場した。 本稿では, バイアス・ハロシン化トレードオフを解消し, 収束を著しく加速した最先端の勾配を実現するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2026-02-26T16:58:43Z)
• RF-BayesPhysNet: A Bayesian rPPG Uncertainty Estimation Method for Complex Scenarios [5.349703489635052]
  リモート光合成技術は、カメラを用いて顔の皮膚の微妙な色変化を捉え、心拍数を推定する。 測定精度は複雑なシナリオで著しく低下します ディープラーニングモデルは、しばしば測定の不確実性を無視し、ダイナミックなシーンにおける信頼性を制限する。
  論文  参考訳（メタデータ） (2025-04-04T20:24:57Z)
• Resolve Domain Conflicts for Generalizable Remote Physiological Measurement [39.0083078989343]
  リモート光胸腺撮影のためのDOHA(DOmain-Honious framework)を提案する。 本稿では,不確実な位相遅延を排除し,生理的信号の変動を抑えるための位相戦略を提案する。 次に,非関係な属性シフトを低減する超平面最適化を設計する。 実験により,複数プロトコルの既存手法の性能が大幅に向上した。
  論文  参考訳（メタデータ） (2024-04-11T15:51:52Z)
• Multimodal Motion Conditioned Diffusion Model for Skeleton-based Video Anomaly Detection [46.8584162860564]
  ビデオ異常検出(VAD)のための新しい生成モデルを提案する。 我々は、骨格表現を考察し、最先端拡散確率モデルを用いて、多モーダルな未来の人間のポーズを生成する。 4つの確立されたベンチマークでモデルを検証します。
  論文  参考訳（メタデータ） (2023-07-14T07:42:45Z)
• Benchmarking Joint Face Spoofing and Forgery Detection with Visual and Physiological Cues [81.15465149555864]
  視覚的外観と生理的rcuesを用いた第1回関節スプーフィングおよび検出ベンチマークを作成した。 r周期性判別を強化するために,顔の強信号マップと連続ウェーブレットを入力として変換した2分岐生理ネットワークを設計した。
  論文  参考訳（メタデータ） (2022-08-10T15:41:48Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。