Fugu-MT 論文翻訳(概要): HSTGFormer: Hyper Spatial-Temporal Graph Transformer for 3D Human Pose Estimation

論文の概要: HSTGFormer: Hyper Spatial-Temporal Graph Transformer for 3D Human Pose Estimation

arxiv url: http://arxiv.org/abs/2608.12187v1
Date: Wed, 12 Aug 2026 15:41:34 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-13 19:07:54.629128
Title: HSTGFormer: Hyper Spatial-Temporal Graph Transformer for 3D Human Pose Estimation
Title（参考訳）: HSTGFormer:3次元人物位置推定のためのハイパー空間時間グラフ変換器
Abstract要約: HSTGFormerは、結合時間ノード上の局所化結合グラフアグリゲーションとして空間的時間的推論を再構成するグラフ強化トランスフォーマーフレームワークである。 Human3.6M と MPI-INF-3DHP の実験により、HSTGFormer は高い計算効率で高い精度を達成することが示された。
参考スコア（独自算出の注目度）: 9.74237142892215
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Transformer-based methods have achieved strong performance in monocular 3D human pose estimation, but most existing approaches organise spatial and temporal reasoning as separate stages, which may weaken unified spatial-temporal interdependencies inherent in human motion and compress frame-level structural information before temporal modelling. In this paper, we propose HSTGFormer, a graph-enhanced Transformer framework that reformulates spatial-temporal reasoning as localised coupled graph aggregation over joint-time nodes. Specifically, HSTGFormer introduces a Hyper Spatial-Temporal Graph (HSTG), which decomposes global spatial-temporal reasoning into local spatial-temporal receptive fields around individual joint-time nodes by extending per-frame skeleton graphs into temporal neighbourhoods, thereby enabling structure-aware coupled reasoning while preserving local structural motion information. It further incorporates an Adaptive Dual-Scale Temporal Graph (ADSTG) to capture joint-specific temporal dependencies over complementary short- and long-range windows. A lightweight node-wise fusion module further adaptively integrates the two graph representations for each joint-time node. Experiments on Human3.6M and MPI-INF-3DHP show that HSTGFormer achieves strong accuracy with high computational efficiency.
Abstract（参考訳）: トランスフォーマーをベースとした手法は, モノラルな3次元ポーズ推定において高い性能を達成しているが, 既存のアプローチでは, 時間的モデリングの前にフレームレベルの構造情報を圧縮し, 人間の動きに固有の空間的時間的相互依存性を弱めるような空間的推論と時間的推論を分離段階として組織化している。本稿では,HSTGFormerを提案する。HSTGFormerは,空間的時間的推論を結合ノード上の局所的結合グラフアグリゲーションとして再構成するグラフ強化トランスフォーマーフレームワークである。具体的には、HSTGFormerは、フレームごとのスケルトングラフを時間的近傍に拡張することにより、グローバルな時空間推論を個々の関節時間ノード周辺の局所時空間受容領域に分解するハイパー空間時間グラフ(HSTG)を導入し、局所構造運動情報を保存しながら構造的結合推論を可能にする。さらに、Adaptive Dual-Scale Temporal Graph (ADSTG) を組み込んで、補完的なショートウィンドウとロングレンジウィンドウのジョイント固有の時間依存性をキャプチャする。軽量ノードワイズ融合モジュールは、各ジョイント時間ノードの2つのグラフ表現をさらに適応的に統合する。 Human3.6M と MPI-INF-3DHP の実験により、HSTGFormer は高い計算効率で高い精度を達成することが示された。

関連論文リスト

DyG$^2$T: Modeling Object Dynamics with 3D Gaussian Temporal-Spatial Particle Graph Transformer [86.4618122245946]
DyG$2$Tは動的モデリングフレームワークで、キーポイント表現を空間的に完了し、時間的に識別することでオブジェクトの運動軌跡を推定する。合成データセットと実世界のデータセットの両方の実験は、DyG$2$Tが正確な動的モデリングと推論を実現することを示した。
論文参考訳（メタデータ） (2026-08-19T03:44:28Z)
GrainGS: Gradient-Decoupled Gaussian Splatting for Efficient Dynamic Novel View Synthesis [94.20462261657525]
GrainGSは階層的なアンカー足場とガウス単位の変形を組み合わせた動的フレームワークである。高いリコンストラクション品質、リアルタイムの新規ビュー合成、コンパクトストレージを実現している。
論文参考訳（メタデータ） (2026-07-23T15:52:35Z)
Hierarchical and Holistic Open-Vocabulary Functional 3D Scene Graphs for Indoor Spaces [116.57196064763924]
我々は、高密度テーブルトップオブジェクトと明示的なマルチレベル機能関係を導入することで、ベンチマークカバレッジを拡大する。この研究は、小規模、高密度、および類似のインスタンスにかかわる重要な課題を提起する。 2次元視覚的グラウンドリングと3次元グラフ最適化に基づくオープン語彙パイプラインを提案する。
論文参考訳（メタデータ） (2026-05-15T09:14:50Z)
HGFreNet: Hop-hybrid GraphFomer for 3D Human Pose Estimation with Trajectory Consistency in Frequency Domain [11.236084559042135]
HGFreNetは、ホップハイブリッド機能アグリゲーションと3Dトラジェクトリ一貫性を備えた新しいGraphFormerアーキテクチャである。提案したHGFreNetは、位置精度と時間的整合性の観点から、最先端(SOTA)手法より優れている。
論文参考訳（メタデータ） (2025-11-03T17:06:16Z)
STGFormer: Spatio-Temporal GraphFormer for 3D Human Pose Estimation in Video [7.345621536750547]
本稿では,ビデオ中の3次元ポーズ推定のためのS-Temporal GraphFormerフレームワーク(STGFormer)を提案する。まず,人体固有のグラフ分布をより効果的に活用するためのSTGアテンション機構を導入する。次に、時間次元と空間次元を独立に並列に処理するための変調ホップワイド正規GCNを提案する。最後に,Human3.6MおよびMPIINF-3DHPデータセット上での最先端性能を示す。
論文参考訳（メタデータ） (2024-07-14T06:45:27Z)
Graph and Skipped Transformer: Exploiting Spatial and Temporal Modeling Capacities for Efficient 3D Human Pose Estimation [36.93661496405653]
我々は、簡潔なグラフとSkipped Transformerアーキテクチャを用いて、Transformer-temporal情報を活用するためのグローバルなアプローチを採っている。具体的には、3Dポーズの段階では、粗粒の体部が展開され、完全なデータ駆動適応モデルが構築される。実験はHuman3.6M、MPI-INF-3DHP、Human-Evaベンチマークで行われた。
論文参考訳（メタデータ） (2024-07-03T10:42:09Z)
Global-to-Local Modeling for Video-based 3D Human Pose and Shape Estimation [53.04781510348416]
フレーム内精度とフレーム間スムーズさにより,映像に基づく3次元人間のポーズと形状推定を評価する。エンドツーエンドフレームワークGLoT(Global-to-Local Transformer)における長期的・短期的相関のモデル化を構造的に分離することを提案する。我々のGLoTは、一般的なベンチマーク(3DPW、MPI-INF-3DHP、Human3.6M)において、最も低いモデルパラメータを持つ従来の最先端の手法を上回る。
論文参考訳（メタデータ） (2023-03-26T14:57:49Z)
Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文参考訳（メタデータ） (2021-11-25T08:45:14Z)
Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Recognition [79.33539539956186]
本稿では,マルチスケールグラフ畳み込みと,G3Dという空間時間グラフ畳み込み演算子を結合する簡単な方法を提案する。これらの提案を結合することにより,MS-G3Dという強力な特徴抽出器を開発し,そのモデルが3つの大規模データセット上で従来の最先端手法より優れていることを示す。
論文参考訳（メタデータ） (2020-03-31T11:28:25Z)
A Graph Attention Spatio-temporal Convolutional Network for 3D Human Pose Estimation in Video [7.647599484103065]
我々は,アテンション機構を用いた局所的グローバル空間情報のモデリングにより,人間の骨格における制約の学習を改善する。提案手法は, 奥行きのあいまいさと自己閉塞性を効果的に軽減し, 半上半身推定を一般化し, 2次元から3次元映像のポーズ推定における競合性能を実現する。
論文参考訳（メタデータ） (2020-03-11T14:54:40Z)

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。