論文の概要: Prosthesis-Aware 3D Human Pose Estimation: A Dataset and Benchmark for RSP Users

• arxiv url: http://arxiv.org/abs/2609.18406v1
• Date: Wed, 16 Sep 2026 09:59:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.744663
• Title: Prosthesis-Aware 3D Human Pose Estimation: A Dataset and Benchmark for RSP Users
• Title（参考訳）: 人工装具を意識した3次元人物位置推定 : RSPユーザのためのデータセットとベンチマーク
• Abstract要約: マルチカメラマーカーを用いたモーションキャプチャ装置を用いて,ランニング特異的補綴器(RSP)ユーザの最初の3次元データセットについて述べる。 人工装具を意識した3Dポーズ推定のタスクを定義し, ゼロショット設定における代表的手法の評価を行い, 個々の制約を検証した。 モデルベースボディージョイント推定とモデルフリーRSP形状復元を組み合わせたハイブリッドベースラインを提案し,今後の研究の出発点となる。
• 参考スコア（独自算出の注目度）: 3.469798345512076
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recovering 3D human body motion from video is important for applications such as rehabilitation assessment and sports performance evaluation. For prosthesis users, this requires capturing both natural body joints and the geometry of the prosthetic device, a challenge that existing methods are not designed to address. Model-based estimators rely on body models trained on non-amputee individuals and cannot represent prosthesis geometry, while model-free methods lack body kinematic priors and are unreliable under occlusion. This challenge is particularly prominent for users of running-specific prostheses (RSPs), where the RSP has a complex curved geometry and moves dynamically during exercise. To fill this gap, we collect RSP3D, the first 3D dataset of RSP users, covering essential daily-life and exercise actions from participants with varied amputation conditions, using a multi-camera marker-based motion capture setup. We formally define the task of prosthesis-aware 3D pose estimation, evaluate representative methods in a zero-shot setting, and confirm their individual limitations. We further propose a hybrid baseline combining model-based body joint estimation with model-free RSP shape recovery, establishing a starting point for future research.
• Abstract（参考訳）: リハビリテーションアセスメントやスポーツパフォーマンスアセスメントなどの応用には,映像から3次元人体の動きを復元することが重要である。 義肢使用者にとって、これは自然体関節と義肢装置の幾何学の両方を捉える必要がある。 モデルベース推定器は、非アンプの個人で訓練された身体モデルに依存しており、人工装具の幾何学を表現できないが、モデルフリーな手法には身体運動の事前が欠如しており、閉塞下では信頼できない。 この課題は、RSPが複雑な湾曲した形状を持ち、運動中に動的に動くランニング特異的補綴器(RSP)のユーザにとって特に顕著である。 このギャップを埋めるために、我々は、マルチカメラマーカーベースのモーションキャプチャーセットアップを使用して、様々な切断状態の参加者から、日々の生活と運動の必要なアクションをカバーした最初の3DデータセットであるRSP3Dを収集した。 補綴を意識した3Dポーズ推定のタスクを正式に定義し、ゼロショット設定で代表的手法を評価し、個々の制約を確認する。 さらに,モデルベースボディ継手推定とモデルフリーRSP形状復元を組み合わせたハイブリッドベースラインを提案し,今後の研究の出発点を確立する。

関連論文リスト

• AJAHR: Amputated Joint Aware 3D Human Mesh Recovery [10.780774284223467]
  既存の人間のメッシュ回復法は標準的な人体構造を前提としており、手足の喪失のような多様な解剖学的状態を見渡せる。 適応的なポーズ推定フレームワークであるAJAHR(Amputated Joint Aware 3D Human Mesh Recovery)を提案する。 本モデルでは,メッシュリカバリネットワークと共同でトレーニングした身体部分切断を統合して,潜在的な切断を検出する。
  論文  参考訳（メタデータ） (2025-09-24T09:46:10Z)
• ARTS: Semi-Analytical Regressor using Disentangled Skeletal Representations for Human Mesh Recovery from Videos [18.685856290041283]
  ARTSは、一般的なベンチマークにおけるフレーム単位の精度と時間的一貫性の両方において、既存の最先端のビデオベースの手法を超越している。 ビデオから3Dスケルトンを推定するために,スケルトン推定およびアンタングルメントモジュールを提案する。 回帰器は、Temporal Inverse Kinematics (TIK), bone-guided Shape Fitting (BSF), Motion-Centric Refinement (MCR)の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2024-10-21T02:06:43Z)
• 3D Kinematics Estimation from Video with a Biomechanical Model and Synthetic Training Data [4.130944152992895]
  2つの入力ビューから3Dキネマティクスを直接出力するバイオメカニクス対応ネットワークを提案する。 実験により, 提案手法は, 合成データにのみ訓練されたものであり, 従来の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-20T17:33:40Z)
• Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
  本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。 ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。 本稿では,提案手法の総合評価を行い,ベンチマーク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） (2022-03-29T07:14:58Z)
• LatentHuman: Shape-and-Pose Disentangled Latent Representation for Human Bodies [78.17425779503047]
  本稿では,人体に対する新しい暗黙の表現法を提案する。 完全に微分可能で、非交叉形状で最適化可能であり、潜在空間を映し出す。 我々のモデルは、よく設計された損失を伴う、水密でない生データを直接訓練し、微調整することができる。
  論文  参考訳（メタデータ） (2021-11-30T04:10:57Z)
• 3D Human Body Reshaping with Anthropometric Modeling [59.51820187982793]
  人間測定パラメータから正確で現実的な3D人体を再構築することは、個人識別、オンラインショッピング、仮想現実のための基本的な課題です。 このような3d形状を作る既存のアプローチは、レンジカメラやハイエンドスキャナーによる複雑な測定に苦しむことが多い。 本稿では,各ファセットに対する自動人為的パラメータモデリングを可能にする,特徴選択に基づく局所マッピング手法を提案する。
  論文  参考訳（メタデータ） (2021-04-05T04:09:39Z)
• A-NeRF: Surface-free Human 3D Pose Refinement via Neural Rendering [13.219688351773422]
  本稿では,自己教師型でユーザの体積体モデルを学習する単眼モーションキャプチャのためのテスト時間最適化手法を提案する。 我々のアプローチは自己監督的であり、外観、ポーズ、および3D形状のための追加の真実ラベルを必要としない。 本研究では, 識別的ポーズ推定手法と表面自由解析-合成による識別的ポーズ推定手法の組み合わせが, 純粋に識別的ポーズ推定手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-02-11T18:58:31Z)
• Neural Descent for Visual 3D Human Pose and Shape [67.01050349629053]
  入力RGB画像から3次元のポーズと形状を復元するディープニューラルネットワーク手法を提案する。 我々は最近導入された表現力のあるボディ統計モデルGHUMに頼っている。 我々の方法論の中心は、HUmanNeural Descent (HUND)と呼ばれるアプローチの学習と最適化である。
  論文  参考訳（メタデータ） (2020-08-16T13:38:41Z)
• Kinematic-Structure-Preserved Representation for Unsupervised 3D Human Pose Estimation [58.72192168935338]
  大規模インスタディオデータセットの監視を用いて開発された人間のポーズ推定モデルの一般化可能性については疑問が残る。 本稿では,2対あるいは2対の弱い監督者によって抑制されない,新しいキネマティック構造保存型非教師付き3次元ポーズ推定フレームワークを提案する。 提案モデルでは,前方運動学,カメラ投影,空間マップ変換という3つの連続的な微分可能変換を用いる。
  論文  参考訳（メタデータ） (2020-06-24T23:56:33Z)
• Self-Supervised 3D Human Pose Estimation via Part Guided Novel Image Synthesis [72.34794624243281]
  ラベルのないビデオフレームからバリエーションを分離する自己教師付き学習フレームワークを提案する。 3Dポーズと空間部分マップの表現ギャップを埋める、微分可能な形式化により、多様なカメラの動きを持つビデオで操作できる。
  論文  参考訳（メタデータ） (2020-04-09T07:55:01Z)

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。