論文の概要: More Motion Is Not Always Better Motion: Corpus Composition Governs Whether Augmentation Helps SMPL-Based Parkinsonian Gait Severity Estimation
- arxiv url: http://arxiv.org/abs/2608.23730v2
- Date: Thu, 27 Aug 2026 17:59:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 14:16:51.739115
- Title: More Motion Is Not Always Better Motion: Corpus Composition Governs Whether Augmentation Helps SMPL-Based Parkinsonian Gait Severity Estimation
- Title（参考訳）: より多くの動きが常により良い運動ではない:コーパス・コンポジション・ゲーバーがSMPLベースのパーキンソン病の歩行重症度推定に役立つかどうか
- Abstract要約: SMPL動作からMDS-UPDRS歩行重症度を3つの冷凍MotionAGFormerエンコーダを用いて評価した。
システムのメンバは持ち上げコーパスのみが異なるため、テストセット上でエンコーダを単独で評価することで、そのコーパスが貢献するものを分離する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We grade MDS-UPDRS gait severity from SMPL motion using three frozen MotionAGFormer encoders as featurizers, reaching macro-F1 0.58 on a hidden, multi-site test set. Because the system's members differ only in their lifting corpus, evaluating encoders singly on that test set isolates what that corpus contributes. Six pools drawn from one inertial dataset, varying only in which walking tasks they include, score between 0.32 and 0.53, and just one of them beats the 0.51 of an encoder given no outside motion at all. What separates them is not how much data they hold but whether they carry a contrast in walking speed, the variation this representation appears to depend : a further pool adding a third collection site at fixed task composition does worse still. The same rule explains why exact synthetic motion and monocularly reconstructed web video both fail to help. Modifying the learned representation itself, rather than the corpus behind it, cost every variant that attempted it.
- Abstract（参考訳）: SMPL動作からMDS-UPDRS歩行重大度を3つの冷凍MotionAGFormerエンコーダを用いて評価し,隠れたマルチサイトテストセットでマクロF1 0.58に到達した。
システムのメンバは持ち上げコーパスのみが異なるため、テストセット上でエンコーダを単独で評価することで、そのコーパスが貢献するものを分離する。
1つの慣性データセットから引き出された6つのプールは、それらが含む歩行タスクのみに変化し、スコアは0.32から0.53であり、そのうちの1つだけが外部の動きを全く与えないエンコーダの0.51を破る。
それらとの違いは、どれだけのデータを保持するかではなく、歩行速度のコントラストを持つかどうか、この表現のバリエーションは依存しているように見える。
同じルールは、正確な合成動作とモノクロで再構成されたウェブビデオの両方が役に立たない理由を説明しています。
学習した表現自体を変更することは、その背後にあるコーパスではなく、それを試みたすべての変種を犠牲にする。
関連論文リスト
- GramLoop: Training-Free Gram-Gated Replay for Robust Dense Prediction [13.43479682921888]
GramLoopはトレーニング不要のフレームワークで、短いトランスフォーマーウィンドウをリプレイし、最終層コサインとGramの一貫性によって各リプレイを制御する。
これは、ペア化されたDINOv3ベースラインで5つのシフトベンチマークをすべて改善する。
論文 参考訳（メタデータ） (2026-08-29T07:52:43Z) - DreamHand: Repurposing Video Diffusion Models for Occlusion-Robust Egocentric 3D Hand Motion Recovery [51.92897182932217]
Egocentric Videoは、組み込みAIのためのスケーラブルな操作データを提供する。
しかし、重度物体の閉塞と頻繁な視界外ギャップのため、3次元手指軌跡の復元は困難である。
オフラインのクリップレベルフレームワークであるDreamHandを導入し、決定論的クリーンレイテンシを使って機能を抽出し、双方向時空間デコーダでデコードする。
論文 参考訳（メタデータ） (2026-08-20T17:46:24Z) - Physics-Grounded Fluid Video Generation with a Simulation Dataset and Dual-Stream Optical-Flow Supervision [78.04385989413382]
ビデオ拡散モデルは視覚的に魅力的な内容を生成するが、流体にまつわる基礎物理学に規則的に違反する。
我々は1,638MPMを模擬した注水/スロッシングビデオと2,320のキーワードフィルターによる実注水ビデオを組み合わせた物理シミュレーション流体データセットを構築した。
予め訓練された拡散フィルタビデオジェネレータ上に構築されたデュアルストリーム映像合成アーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-07-28T06:13:18Z) - SAMoR: Motion Modelling for Articulated Objects of Any Skeleton and Topology [46.893067487418314]
本稿では,各動作セグメントを小さな固定数として符号化するクロストポロジー運動表現であるSAMoRを紹介する。
グラフ変換器エンコーダは、関節運動特徴、運動グラフ構造、結合名埋め込みを消費し、それを部分レベルトークンに圧縮する。
部分クエリが冗長なグローバル表現に崩壊しないように、トポロジーに依存しない注意監視損失を導入する。
論文 参考訳（メタデータ） (2026-07-02T13:24:47Z) - MotionMAR: Multi-scale Auto-Regressive Human Motion Reconstruction from Sparse Observations [51.837372131319285]
MotionMARは、スパース観測からの運動再構成のためのフレームワークである。
まず、人間の動きのグローバルな軌跡を推定し、時間的詳細を徐々に洗練する。
MotionMARは、AMASSデータセット上で最先端の精度を達成する。
論文 参考訳（メタデータ） (2026-06-22T08:15:56Z) - MotionVLA: Vision-Language-Action Model for Humanoid Motion [54.785960777274276]
動作をベースストリームと物理ストリームに分離するデュアルストリーム周波数トークンであるDSFTを提案する。
また、ベースおよび物理トークンを統一シーケンスに配置するQwen3.5ベースのモデルであるMotionVLAを提案する。
論文 参考訳（メタデータ） (2026-06-13T06:10:48Z) - Structure From Tracking: Distilling Structure-Preserving Motion for Video Generation [76.04880323498598]
自己回帰動画追跡モデル(SAM2)から双方向ビデオ拡散モデル(CogVideoX)へ構造保存動作先行情報を抽出するアルゴリズムを提案する。
VBenchと人間の研究ではSAM2VideoXが一貫した利益をもたらすことが示されている。
論文 参考訳（メタデータ） (2025-12-12T18:56:35Z) - Decomposition Betters Tracking Everything Everywhere [8.199205242808592]
DecoMotionと呼ばれる新しいテスト時間最適化手法を提案し、画素ごとの動作と長距離動きを推定する。
提案手法は,ポイントトラッキングの精度を高いマージンで向上させ,最先端のポイントトラッキングソリューションと同等に動作させる。
論文 参考訳（メタデータ） (2024-07-09T04:01:23Z) - RemoCap: Disentangled Representation Learning for Motion Capture [13.638129235443976]
RemoCapはリアルなモーションシーケンスから3Dの人体を再構築する。
現在の方法は、閉塞した身体部分の力学を捉えるのに苦労している。
本稿では,時間的コヒーレンスを促進するシーケンス速度損失を提案する。
論文 参考訳（メタデータ） (2024-05-21T12:24:01Z) - Audio2Gestures: Generating Diverse Gestures from Audio [28.026220492342382]
本稿では、モーダルなラテント符号を共有コードとモーション固有コードに分割することで、ワン・ツー・マンの音声・モーションマッピングを明示的にモデル化することを提案する。
本手法は,従来の最先端手法よりも現実的で多様な動作を生成する。
論文 参考訳（メタデータ） (2023-01-17T04:09:58Z)
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。