論文の概要: PressureMesh: 3D Human Mesh Estimation from Multi-Device Pressure Images

• arxiv url: http://arxiv.org/abs/2608.09550v1
• Date: Mon, 10 Aug 2026 12:48:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.267694
• Title: PressureMesh: 3D Human Mesh Estimation from Multi-Device Pressure Images
• Title（参考訳）: PressureMesh:マルチデバイス・プレッシャ画像による3次元メッシュ推定
• Abstract要約: 複数のデバイスにまたがる時間的圧力データから人間のメッシュを直接推定できるエンドツーエンドネットワークであるMDP-Netを提案する。 本研究では,Mixture of Experts(MoE)フレームワークにヒントを得たマルチモーダル融合機構を導入し,デバイス間圧力情報の効果的な相補性と強化を実現する。 MDP-Netは,MDPデータセット上で12.6cmの関節位置誤差を達成している。
• 参考スコア（独自算出の注目度）: 2.376974762124456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human pose monitoring is crucial in fields such as rehabilitation assessment and human-computer interaction. Due to its privacy-preserving nature, pressure-based human pose monitoring has become a primary approach for unobtrusive sensing. However, existing methods are generally limited to a single device, which restricts the effective monitoring range. To address this limitation, we propose MDP-Net, an end-to-end network capable of directly estimating human meshes from temporal pressure data across multiple devices. We introduce a multimodal fusion mechanism inspired by the Mixture of Experts (MoE) framework to achieve effective complementarity and enhancement of cross-device pressure information. To support the training and evaluation of MDP-Net, we constructed MDP, a high-quality multi-device temporal pressure dataset that includes various pose labels such as 2D/3D joints and human meshes. Experimental results demonstrate that MDP-Net achieves a joint position error of 12.6 cm on the MDP dataset. These results prove that fusing multi-device pressure information is an effective and promising new solution for daily human pose monitoring.
• Abstract（参考訳）: ヒトのポーズモニタリングは、リハビリテーションアセスメントや人間とコンピュータの相互作用といった分野において重要である。 プライバシー保護の性質から、圧力に基づく人間のポーズ監視は、邪魔にならない感覚の第一のアプローチとなっている。 しかし、既存の手法は単一のデバイスに限られており、効果的な監視範囲が制限されている。 この制限に対処するため、複数のデバイスにまたがる時間的圧力データから人間のメッシュを直接推定できるエンドツーエンドネットワークであるMDP-Netを提案する。 本研究では,Mixture of Experts(MoE)フレームワークにヒントを得たマルチモーダル融合機構を導入し,デバイス間圧力情報の効果的な相補性と強化を実現する。 MDP-Netのトレーニングと評価を支援するために,2D/3Dジョイントやヒューマンメッシュといったさまざまなポーズラベルを含む高品質な多デバイス時圧データセットであるMDPを構築した。 MDP-Netは,MDPデータセット上で12.6cmの関節位置誤差を達成している。 これらの結果から, マルチデバイス・プレッシャ情報の融合は, 日々のポーズモニタリングに有効かつ有望な新しいソリューションであることが示唆された。

関連論文リスト

• Beyond Pure Sampling: Hybrid Optimization Mechanisms for Non-Convex Model Predictive Control [16.21889938470088]
  ME-DDP に基づく手法は,コストが比較的単純で局所情報が十分に代表される低次元システムにおいて,DDP に基づく手法よりも一貫して優れていた。 その結果,コストが比較的単純で,局所的な情報が十分に代表的である低次元システムでは,DDP法を常に上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-05-30T14:09:14Z)
• PressTrack-HMR: Pressure-Based Top-Down Multi-Person Global Human Mesh Recovery [4.608996068062792]
  textbfPressTrack-HMRは、圧力信号のみから多人数のグローバルなメッシュを復元するトップダウンパイプラインである。 本手法は圧力データを用いた多人数HMRにおいて89.2$mm$MPJPEと112.6$mm$WA-MPJPE$_100$で優れる。
  論文  参考訳（メタデータ） (2025-11-12T09:33:44Z)
• MultiFormer: A Multi-Person Pose Estimation System Based on CSI and Attention Mechanism [0.7373617024876725]
  チャネル状態情報(CSI)に基づく人間のポーズ推定は、非侵襲的で正確な人間の活動監視のための有望なアプローチとして浮上している。 本稿では,CSIによる人間のポーズを正確に推定する無線センシングシステムであるMultiFormerを提案する。
  論文  参考訳（メタデータ） (2025-05-28T16:36:02Z)
• PI-HMR: Towards Robust In-bed Temporal Human Shape Reconstruction with Contact Pressure Sensing [0.2890929553637981]
  圧力を感知するベッドシートは、リアルタイムのモーションリコンストラクションに有望なソリューションを提供する。 本稿では,トップビューシナリオにおける奥行きの曖昧さを克服する最適化手法SMPLify-IBを紹介する。 圧力列からメッシュを回帰する時間的人体形状推定器PI-HMRを提案する。
  論文  参考訳（メタデータ） (2025-02-27T12:42:44Z)
• DeProPose: Deficiency-Proof 3D Human Pose Estimation via Adaptive Multi-View Fusion [57.83515140886807]
  欠陥認識型3Dポーズ推定の課題について紹介する。 DeProPoseは、トレーニングの複雑さを減らすために、ネットワークアーキテクチャをシンプルにするためのフレキシブルなメソッドである。 我々は,新しい3次元ポーズ推定データセットを開発した。
  論文  参考訳（メタデータ） (2025-02-23T03:22:54Z)
• Coordinate Transformer: Achieving Single-stage Multi-person Mesh Recovery from Videos [91.44553585470688]
  ビデオから複数人の3Dメッシュを回収することは、バーチャルリアリティーや理学療法などにおけるグループ行動の自動認識に向けた重要な第一歩である。 本稿では,複数人物の時空間関係を直接モデル化し,同時にエンドツーエンドでマルチ・メッシュ・リカバリを行うコーディネート・トランスフォーマーを提案する。 3DPWデータセットの実験では、CoordFormerが最先端の精度を大幅に向上し、MPJPE、PAMPJPE、PVEの計測値でそれぞれ4.2%、8.8%、そして4.7%を上回った。
  論文  参考訳（メタデータ） (2023-08-20T18:23:07Z)
• Direct Dense Pose Estimation [138.56533828316833]
  複雑な人間のポーズ推定は、RGB画像と人体の表面との密接な対応を学習する問題である。 従来より密集したポーズ推定手法は、すべてMask R-CNNフレームワークに基づいており、まず各人物のバウンディングボックスを識別しようとするトップダウン方式で動作している。 そこで我々は,DDP (Direct Dense Pose) という,高密度ポーズ推定問題の解法を提案する。
  論文  参考訳（メタデータ） (2022-04-04T06:14:38Z)
• On Triangulation as a Form of Self-Supervision for 3D Human Pose Estimation [57.766049538913926]
  ラベル付きデータが豊富である場合, 単一画像からの3次元ポーズ推定に対する改良されたアプローチは, 極めて効果的である。 最近の注目の多くは、セミと(あるいは)弱い教師付き学習に移行している。 本稿では,多視点の幾何学的制約を,識別可能な三角測量を用いて課し,ラベルがない場合の自己監督の形式として用いることを提案する。
  論文  参考訳（メタデータ） (2022-03-29T19:11:54Z)
• Direct Multi-view Multi-person 3D Pose Estimation [138.48139701871213]
  マルチビュー画像からマルチパーソン3Dポーズを推定するためのMulti-view Pose Transformer(MvP)を提案する。 MvPは、中間タスクに頼ることなく、複数の人物の3Dポーズを直接クリーンで効率的な方法で回帰する。 我々は,MvPモデルがより効率的でありながら,いくつかのベンチマークにおいて最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-07T13:09:20Z)
• TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
  TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。 実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。 評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
  論文  参考訳（メタデータ） (2021-04-08T20:01:00Z)
• Multi-View Matching (MVM): Facilitating Multi-Person 3D Pose Estimation Learning with Action-Frozen People Video [38.63662549684785]
  MVM法は大規模ビデオデータセットから信頼性の高い3次元ポーズを生成する。 マルチパーソン3Dポーズ推定のための入力として,1つの画像を取るニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-04-11T01:09:50Z)

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。