論文の概要: DirtyMoCap: Robust Motion Capture from Unconstrained Markers

• arxiv url: http://arxiv.org/abs/2609.19927v1
• Date: Thu, 17 Sep 2026 09:05:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.18951
• Title: DirtyMoCap: Robust Motion Capture from Unconstrained Markers
• Title（参考訳）: DirtyMoCap:制約なしマーカからのロバストモーションキャプチャ
• Abstract要約: 光学式モーションキャプチャのためのロバストでマーカーのないフレームワークであるDirtyMoCapを紹介する。 我々の中心となる洞察は、秩序のないマーカー観測を固定された「プロキシアンカー」にマッピングすることである。 我々の解法は、入力データの信頼性に動的に適応して、適応的な可視性、滑らかさ、および事前重みをエンドツーエンドに学習する。
• 参考スコア（独自算出の注目度）: 22.11785149057378
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optical motion capture delivers high-fidelity human motion, but its reliance on strict marker layouts and clean trajectories severely limits its real-world applicability. In practice, tracking systems frequently output unconstrained markers: sparse, noisy, and unordered point clouds with unknown or varying configurations. To bridge the gap between corrupted raw markers and parametric human models, we introduce DirtyMoCap, a robust, marker-layout-free framework. Our core insight is to map unordered marker observations to a fixed set of "proxy anchors" comprising skeletal joints and body surface points, which serve as a stable intermediate representation. We first initialize and track these anchors over long sequences using a recurrent sliding-window architecture. Then, a custom differentiable Gauss-Newton solver fits the SMPL-H model to the tracked anchors to recover full-body pose, translation, and shape. By explicitly deriving geometric residuals, our solver learns adaptive observation confidence, smoothness, and prior weights end-to-end, adapting dynamically to the reliability of the input data. Extensive experiments on diverse, noisy marker configurations demonstrate that DirtyMoCap successfully generalizes across arbitrary layouts using only a single trained model. It consistently outperforms state-of-the-art configuration-specific baselines in both joint and vertex reconstruction accuracy, while our custom CUDA solver achieves up to a 100x speedup over standard PyTorch implementations. We further apply DirtyMoCap to heterogeneous raw optical MoCap recordings of traditional Chinese martial arts, yielding a Kung Fu motion dataset of temporally coherent SMPL-H reconstructions. Code and data are available at https://wanglongzju.github.io/DirtyMoCap-Project-Page.
• Abstract（参考訳）: 光モーションキャプチャーは、高忠実な人間の動きを提供するが、厳密なマーカーレイアウトとクリーンな軌道に依存しているため、現実の応用性は著しく制限される。 実際には、追跡システムはスパース(sparse)、ノイズ(noisy)、および未順序の点雲(unordered point cloud)という、未知または異なる構成の非制約マーカーを頻繁に出力する。 劣化した生マーカーとパラメトリックな人間のモデルとのギャップを埋めるために、堅牢でマーカーなしのフレームワークであるDirtyMoCapを紹介します。 我々の中心となる洞察は、秩序のないマーカー観測を骨格関節と体表面の点からなる固定された「プロキシアンカー」にマッピングし、安定した中間表現として機能することである。 まず、リカレントスライディングウインドウアーキテクチャを用いて、これらのアンカーを長周期で初期化し、追跡する。 次に、独自の微分可能なガウスニュートンソルバがSMPL-Hモデルとトラックされたアンカーに適合し、フルボディのポーズ、翻訳、形状を復元する。 幾何的残差を明示的に導出することにより、入力データの信頼性に動的に適応し、適応的な観察信頼度、滑らかさ、および事前重みをエンドツーエンドに学習する。 多様なノイズの多いマーカー構成に関する大規模な実験は、DirtyMoCapが単一のトレーニングモデルのみを使用して任意のレイアウトをまたいだ一般化に成功したことを示している。 従来のPyTorch実装よりも最大100倍の高速化を実現したカスタムCUDAソルバに対して,ジョイントおよび頂点再構成の精度において,最先端の構成固有のベースラインを一貫して上回ります。 さらにDirtyMoCapを従来の中国武術の異種生光MoCap記録に適用し,時間的コヒーレントSMPL-H再構成のKung Fu動作データセットを作成した。 コードとデータはhttps://wanglongzju.github.io/DirtyMoCap-Project-Page.comで公開されている。

関連論文リスト

• 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)
• Recall to Predict: Grounding Motion Forecasting in Interpretable Motion Bank [9.873160019979602]
  総合的な「モーションバンク」における予測を基盤としたエンドツーエンドの差別化可能なフレームワークを提案する。 空白のスレートから経路を回帰するのではなく、新しいアンカー検索層を用いて動的に明示的な動きを復元する。 提案手法では,Argoverse 2 および Open Motion データセット上での競合するマルチモーダル精度を実現しつつ,標準潜時クエリの "ブラックボックス" を排除している。
  論文  参考訳（メタデータ） (2026-05-02T11:31:26Z)
• ReCoSplat: Autoregressive Feed-Forward Gaussian Splatting Using Render-and-Compare [53.16118137855849]
  本稿では,自動回帰フィードフォワードガウススプラッティングモデルであるReCoSplatについて述べる。 コードと事前訓練されたモデルがリリースされる。
  論文  参考訳（メタデータ） (2026-03-10T17:58:08Z)
• OpenMoCap: Rethinking Optical Motion Capture under Real-world Occlusion [15.708894937156709]
  我々は,大きな閉塞を有する環境下でのロバストなモーションキャプチャのための新しい動き解決モデルOpenMoCapを提案する。 提案されたOpenMoCapは、実際のデプロイのためにMoSen MoCapシステムに統合されている。
  論文  参考訳（メタデータ） (2025-08-18T04:12:13Z)
• MAMMA: Markerless & Automatic Multi-Person Motion Action Capture [37.06717786024836]
  MAMMAはマーカーレスモーションキャプチャパイプラインで、2人のインタラクションシーケンスのマルチビュービデオからSMPL-Xパラメータを復元する。 セグメンテーションマスクに条件付された高密度2次元表面のランドマークを予測する手法を提案する。 提案手法は複雑な対人インタラクションを処理でき,既存の手法よりも精度が高いことを示す。
  論文  参考訳（メタデータ） (2025-06-16T02:04:51Z)
• RoMo: A Robust Solver for Full-body Unlabeled Optical Motion Capture [16.10793235070616]
  我々は、生の光学的モーションキャプチャデータを堅牢にラベル付けし、解決するための学習ベースのフレームワークであるRoMoを紹介する。 ラベル付けの段階では、RoMoは、複雑なフルボディラベリングチャレンジを管理可能なサブタスクに分解するために、分割・コンカ戦略を採用している。 運動解法では, 運動連鎖に沿った誤差蓄積を防止するために, ハイブリッド逆運動解法を導入する。
  論文  参考訳（メタデータ） (2024-09-18T02:39:12Z)
• Motion-adaptive Separable Collaborative Filters for Blind Motion Deblurring [71.60457491155451]
  様々な動きによって生じる画像のぼかしを除去することは、難しい問題である。 本研究では,動き適応型分離型協調フィルタと呼ばれる実世界のデブロアリングフィルタモデルを提案する。 本手法は,実世界の動きのぼかし除去に有効な解法を提供し,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-04-19T19:44:24Z)
• STMT: A Spatial-Temporal Mesh Transformer for MoCap-Based Action Recognition [50.064502884594376]
  本研究では、モーションキャプチャー(MoCap)シーケンスを用いた人間の行動認識の問題点について検討する。 メッシュシーケンスを直接モデル化する新しい時空間メッシュ変換器(STMT)を提案する。 提案手法は,スケルトンベースモデルやポイントクラウドベースモデルと比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-03-31T16:19:27Z)
• Learning to Estimate Hidden Motions with Global Motion Aggregation [71.12650817490318]
  閉塞は、局所的な証拠に依存する光学フローアルゴリズムに重大な課題をもたらす。 最初の画像でピクセル間の長距離依存性を見つけるために,グローバルモーションアグリゲーションモジュールを導入する。 遮蔽領域における光流量推定が非遮蔽領域における性能を損なうことなく大幅に改善できることを実証した。
  論文  参考訳（メタデータ） (2021-04-06T10:32:03Z)

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。