Fugu-MT 論文翻訳(概要): Gaussian-Mixture Latent Flow for Stochastic 3D Human Motion Prediction

論文の概要: Gaussian-Mixture Latent Flow for Stochastic 3D Human Motion Prediction

arxiv url: http://arxiv.org/abs/2608.21093v1
Date: Fri, 21 Aug 2026 13:39:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-24 14:49:32.554686
Title: Gaussian-Mixture Latent Flow for Stochastic 3D Human Motion Prediction
Title（参考訳）: 確率的3次元動作予測のためのガウス・ミクチャー潜流
Abstract要約: 本稿では,データ駆動型ガウス混合を用いた潜水モデルを提案する。提案手法は精度と妥当性の両方において最先端の性能を実現する。
参考スコア（独自算出の注目度）: 21.495268935837586
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Stochastic human motion prediction aims to forecast future motion distributions. Although recent studies have achieved strong performance in terms of accuracy and diversity, they often overlook plausibility (e.g., resulting in physically unrealistic predictions) and uncertainty quantification, both of which are essential for real-world applications and downstream tasks. To address these issues, we propose a latent flow-based model equipped with a data-driven Gaussian mixture prior that more effectively disentangles diverse human behaviors than conventional single-modal priors. This prior is derived from patterns in the training data without requiring additional annotations. Furthermore, the fully invertible nature of our model enables natural uncertainty quantification through tractable likelihood computation. Experiments on the Human3.6M and AMASS datasets demonstrate that our approach achieves state-of-the-art performance in both accuracy and plausibility.
Abstract（参考訳）: 確率的人間の動き予測は将来の動きの分布を予測することを目的としている。近年の研究は精度と多様性の点で高いパフォーマンスを達成しているが、実世界のアプリケーションや下流のタスクに欠かせない(例えば、物理的に非現実的な予測)と不確実な定量化をしばしば見落としている。これらの課題に対処するため,従来の単一モーダルモデルよりも多種多様な人間の行動を効果的に解き放つような,データ駆動型ガウス混合を用いた潜水モデルを提案する。この事前は、追加のアノテーションを必要とせずに、トレーニングデータのパターンから導かれる。さらに,本モデルの完全可逆性は,抽出可能な確率計算による自然不確かさの定量化を可能にする。 Human3.6MデータセットとAMASSデータセットの実験により、我々の手法は精度と妥当性の両方において最先端のパフォーマンスを達成することを示した。

関連論文リスト

From Data to Behavior: Predicting Unintended Model Behaviors Before Training [78.37660873165284]
トレーニング前に意図しないモデルの振る舞いを予測する新しいタスクであるData2Behaviorを紹介する。また,その平均表現を通して候補データを要約する軽量な手法として,MDF(Manipulating Data Features)を提案する。 Qwen3-14B、Qwen2.5-32B-Instruct、Gemma-3-12b-itの実験では、MDFは意図しない振る舞いを予測でき、事前訓練済みの脆弱性に関する洞察を与える。
論文参考訳（メタデータ） (2026-02-04T16:37:17Z)
Continuous Normalizing Flows for Uncertainty-Aware Human Pose Estimation [5.883665050993368]
Continuous Flow Residual Estimation (CFRE) は、CNF(Continuous Normalizing Flows)と回帰モデルの統合である。 CFREは2次元と3次元の両方のポーズ推定タスクにおいて計算効率を保ちながら精度と不確かさの定量化に繋がることを示す。
論文参考訳（メタデータ） (2025-05-04T22:55:01Z)
Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文参考訳（メタデータ） (2024-07-18T15:44:23Z)
Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
論文参考訳（メタデータ） (2024-03-10T04:16:04Z)
Bayesian Gaussian Process ODEs via Double Normalizing Flows [27.015257976208737]
本稿では,ODEベクトル場を再パラメータ化するために正規化フローを導入し,データ駆動の事前分布を導出する。また, GP ODE の後部推定に正規化フローを適用し, 強平均場仮定の問題を解く。シミュレーション力学系と実世界の人間の動作データに対するアプローチの有効性を検証した。
論文参考訳（メタデータ） (2023-09-17T09:28:47Z)
TransFusion: A Practical and Effective Transformer-based Diffusion Model for 3D Human Motion Prediction [1.8923948104852863]
本研究では,3次元動作予測のための革新的で実用的な拡散モデルであるTransFusionを提案する。我々のモデルは、浅い層と深い層の間の長いスキップ接続を持つバックボーンとしてTransformerを活用している。クロスアテンションや適応層正規化のような余分なモジュールを利用する従来の拡散モデルとは対照的に、条件を含む全ての入力をトークンとして扱い、より軽量なモデルを作成する。
論文参考訳（メタデータ） (2023-07-30T01:52:07Z)
Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。 BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
論文参考訳（メタデータ） (2023-07-04T16:45:21Z)
Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
論文参考訳（メタデータ） (2023-04-20T07:29:23Z)
Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
論文参考訳（メタデータ） (2023-04-13T17:56:08Z)
HYPER: Learned Hybrid Trajectory Prediction via Factored Inference and Adaptive Sampling [27.194900145235007]
本稿では,汎用的で表現力豊かなハイブリッド予測フレームワークHYPERを紹介する。トラヒックエージェントをハイブリッドな離散連続システムとしてモデル化することにより、我々のアプローチは時間とともに離散的な意図の変化を予測することができる。我々は、Argoverseデータセット上でモデルをトレーニングし、検証し、その効果を包括的アブレーション研究と最先端モデルとの比較を通して実証する。
論文参考訳（メタデータ） (2021-10-05T20:20:10Z)
Learning to Predict Diverse Human Motions from a Single Image via Mixture Density Networks [9.06677862854201]
本研究では,混合密度ネットワーク(MDN)モデルを用いて,単一画像から将来の人間の動きを予測する新しい手法を提案する。 MDNのマルチモーダルな性質は、既存のディープヒューマンモーション予測アプローチとは対照的に、様々な将来のモーション仮説の生成を可能にしている。訓練されたモデルでは、入力として画像を直接取り、与えられた条件を満たす複数の可視運動を生成する。
論文参考訳（メタデータ） (2021-09-13T08:49:33Z)
FloMo: Tractable Motion Prediction with Normalizing Flows [0.0]
ノイズサンプルと将来の動き分布の正規化フローによる密度推定問題として動作予測をモデル化する。我々のモデルはFloMoと呼ばれ、単一のネットワークパスで確率を計算でき、最大推定で直接訓練することができる。提案手法は,3つの一般的な予測データセットにおいて最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2021-03-05T11:35:27Z)

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。