論文の概要: Efficient Human-Contact Representation for Human-Scene Interaction
- arxiv url: http://arxiv.org/abs/2608.09388v1
- Date: Mon, 10 Aug 2026 10:09:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.204032
- Title: Efficient Human-Contact Representation for Human-Scene Interaction
- Title（参考訳）: ヒューマン・シーンインタラクションのための効率的なヒューマン・コンタクト表現
- Abstract要約: 本研究では,人間とシーンの相互作用を効果的に表現する手法を提案する。
我々の主な貢献は、重要な接触情報を戦略的に選択するスパースコンタクトマスクの導入である。
提案手法は計算速度を向上するだけでなく,非意味接触データをフィルタリングし,人間とシーンの相互作用モデルの精度を向上させる。
- 参考スコア（独自算出の注目度）: 12.167906663714666
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human-scene interaction is an active research topic with several industrial applications in virtual reality, gaming, robotics, and surveillance. Despite significant progress in network architectures to improve the results or optimize models' parameters for fast inference speed, the efficient representation of contact between humans and their environments remains an open challenge. In this paper, we propose a new efficient human-contact representation for human-scene interaction. Our primary contribution is the introduction of sparse contact masks that strategically select essential contact information, significantly reducing redundant data in high-dimensional inputs. Leveraging this efficient contact representation, we propose a suite of sparse operators to replace traditional dense operators within deep network layers for faster computation. Our approach not only enhances computational speed but also filters out non-essential contact data, thereby improving the precision of human-scene interaction models. To validate the effectiveness of our method, we conduct intensive experiments across three public benchmark datasets, focusing on two critical tasks for human-scene interaction: contact prediction and scene synthesis. The experimental results show that our approach outperforms state-of-the-art models in reconstruction accuracy and achieves a computation speed-up of at least 12 times over recent baselines.
- Abstract（参考訳）: ヒューマン・シーンのインタラクションは、仮想現実、ゲーム、ロボティクス、監視におけるいくつかの産業応用に関する活発な研究トピックである。
結果を改善したり、モデルパラメータを高速な推論速度に最適化するためのネットワークアーキテクチャの進歩にもかかわらず、人間と環境との効率的な接触の表現は依然としてオープンな課題である。
本稿では,人間とシーンの相互作用を効果的に表現する手法を提案する。
我々の主な貢献は、重要接触情報を戦略的に選択し、高次元入力における冗長データを著しく低減するスパースコンタクトマスクの導入である。
この効率的な接触表現を活用し、より高速な計算のために、ディープネットワーク層内の従来の密度の高い演算子を置き換えるスパース演算子群を提案する。
提案手法は計算速度を向上するだけでなく,非意味接触データをフィルタリングし,人間とシーンの相互作用モデルの精度を向上させる。
提案手法の有効性を検証するため,3つの公開ベンチマークデータセットを対象に,接触予測とシーン合成の2つの重要なタスクに着目した集中的な実験を行った。
実験の結果,提案手法は復元精度において最先端モデルよりも優れており,最近のベースラインよりも少なくとも12倍の高速化を実現していることがわかった。
関連論文リスト
- MOCHI: Motion Enhancement of Collaborative Human-object Interactions [9.360852329235477]
協調的な人間と物体の相互作用は、参加者と共有対象との相互予測と継続的な調整を必要とする複雑な動きを示す。
ノイズの多いMHOIデータを改善するための2段階フレームワークであるMOCHIを提案する。
提案手法は,まず,雑音の多い身体入力から手の動きを最適化し,身体のポーズとセマンティックに整合した手の動きを生成する。
最適化の過程では,人・物・人・人のインタラクション情報を,これら1対1で符号化する最適化手法を導入する。
論文 参考訳（メタデータ） (2026-06-16T17:58:44Z) - Unleashing Guidance Without Classifiers for Human-Object Interaction Animation [54.24065561632133]
従来の拡散に基づくアプローチは、しばしば接触品質を改善するために手作りの接触先行や人為的なキネマティック制約に頼っている。
そこで本研究では,手作業による事前設計への依存を軽減し,手作業による指導を段階的に行うデータ駆動型代替手法を提案する。
このデータ駆動型ガイダンスは本質的に接触認識であり,広い範囲の合成対象測地でトレーニングを行う際に拡張可能である。
論文 参考訳（メタデータ） (2026-03-26T17:59:34Z) - Learning Whole-Body Human-Humanoid Interaction from Human-Human Demonstrations [63.80827184637476]
D-STAR(D-STAR)は,行動すべき場所から行動すべき場所を乱す階層的な政策である。
広範かつ厳密なシミュレーションを通じて、我々のフレームワークを検証する。
論文 参考訳（メタデータ） (2026-01-14T14:37:06Z) - Improvement of Human-Object Interaction Action Recognition Using Scene Information and Multi-Task Learning Approach [0.0]
本研究では,環境中の固定オブジェクト情報を考慮し,人間の行動認識性能を活用する手法を提案する。
マルチタスク学習アプローチは、相互作用領域の情報とともに、99.25%の精度で研究された相互作用と非相互作用行動を認識することに成功している。
論文 参考訳（メタデータ） (2025-09-11T00:14:56Z) - Reconstructing Close Human Interaction with Appearance and Proxemics Reasoning [50.76723760768117]
既存の人間のポーズ推定手法では、既存の映像からもっともらしい密接な相互作用を回復できない。
人間の外見は、これらの障害に対処するための簡単な手がかりとなる。
本研究では,人間の外見,社会的プロキシ,物理法則に制約された身体接触により,正確な対話動作を再構築するための2分岐最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-03T12:19:26Z) - Ask, Pose, Unite: Scaling Data Acquisition for Close Interactions with Vision Language Models [5.541130887628606]
密接な人間間相互作用における社会的ダイナミクスはヒューマンメッシュ推定(HME)に重大な課題をもたらす
本稿では,LVLM(Large Vision Language Models)を用いた新しいデータ生成手法を提案する。
この手法は、アノテーションの負担を軽減するだけでなく、HME内の密接な相互作用に適した包括的なデータセットの組み立てを可能にする。
論文 参考訳（メタデータ） (2024-10-01T01:14:24Z) - Learning Human Action Recognition Representations Without Real Humans [66.61527869763819]
そこで本研究では,仮想人間を含む合成データを用いて,実世界の映像を活用してモデルを事前学習するベンチマークを提案する。
次に、このデータに基づいて学習した表現を、下流行動認識ベンチマークの様々なセットに転送可能であるかを評価する。
私たちのアプローチは、以前のベースラインを最大5%上回ります。
論文 参考訳（メタデータ） (2023-11-10T18:38:14Z) - HODN: Disentangling Human-Object Feature for HOI Detection [51.48164941412871]
本稿では,Human and Object Disentangling Network (HODN) を提案し,Human-Object Interaction (HOI) の関係を明示的にモデル化する。
インタラクションに人間的特徴がより寄与していることを考慮し,インタラクションデコーダが人間中心の領域に焦点を当てていることを確認するためのヒューマンガイドリンク手法を提案する。
提案手法は,V-COCOとHICO-Det Linkingデータセットの競合性能を実現する。
論文 参考訳（メタデータ） (2023-08-20T04:12:50Z) - Using Features at Multiple Temporal and Spatial Resolutions to Predict
Human Behavior in Real Time [2.955419572714387]
本研究では,高分解能・低分解能な空間情報と時間情報を統合し,人間の行動をリアルタイムで予測する手法を提案する。
本モデルでは,3つのネットワークが同時にトレーニングされた動作予測のためのニューラルネットワークを用いて,高分解能・低分解能特徴抽出のためのニューラルネットワークを構成する。
論文 参考訳（メタデータ） (2022-11-12T18:41:33Z) - Facial Emotion Recognition using Deep Residual Networks in Real-World
Environments [5.834678345946704]
そこで本研究では,Wild内および大規模に収集されたビデオデータセットに基づいて訓練された顔特徴抽出モデルを提案する。
データセットは100万のラベル付きフレームと2,616万の被験者で構成されている。
感情認識領域において時間情報は重要であるため、LSTM細胞を用いてデータの時間的ダイナミクスを捉える。
論文 参考訳（メタデータ） (2021-11-04T10:08:22Z) - Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。
本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。
我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
論文 参考訳（メタデータ） (2020-07-07T17:19:56Z)
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。