論文の概要: Surgical Kinematics from Monocular Video with Learned Articulated Motion Constraints

• arxiv url: http://arxiv.org/abs/2609.27227v1
• Date: Wed, 23 Sep 2026 01:49:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.823573
• Title: Surgical Kinematics from Monocular Video with Learned Articulated Motion Constraints
• Title（参考訳）: 学習運動制約を用いた単眼ビデオからの手術運動学
• Abstract要約: 単眼ビデオから楽器の位置, 向き, 顎角を推定するためのキネマティック再構成ネットワークを提案する。 我々の表現は、凍結したDINOv3特徴のグローバルアテンションプールと、細調整されたSAM 3.1マスクの楽器ランドマークでのローカルプールを組み合わせる。 メインOpen-HベンチマークのLiveMAEと比較すると,パス長平均絶対誤差は0.45から0.34,cmに減少し,時間平均平均偏差は44.54%から54.44%に向上する。
• 参考スコア（独自算出の注目度）: 0.8657172581058971
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective assessment of robotic surgery uses instrument kinematics, which must be reconstructed when only video is available. We introduce a kinematic reconstruction network for estimating instrument position, orientation and jaw angle from monocular video. Our visual representation combines global attention pooling of frozen DINOv3 features with local pooling at instrument landmarks from fine-tuned SAM 3.1 masks. Our shared Transformer encoder and temporal convolutional heads integrate this representation with mask geometry, monocular depth and visual state estimates from arm-specific multilayer regression networks. Our position branch predicts displacement magnitude and direction separately to preserve traveled distance. We fit trajectories to predicted state observations and motion increments by differentiable weighted least squares, expressing quaternion observations relative to cumulative predicted rotations to obtain a quadratic orientation objective. We evaluate reconstruction across 2,802 Open-H episodes. Compared with LiveMAE on the main Open-H benchmark, our method reduces path-length mean absolute error from 0.45 to 0.34\,cm and increases temporal mean average precision for motion segmentation from 44.54\% to 54.44\%.
• Abstract（参考訳）: ロボット手術の客観的評価は、機器キネマティクスを使用する。 単眼ビデオから楽器の位置, 向き, 顎角を推定するためのキネマティック再構成ネットワークを提案する。 我々の視覚表現は、凍結したDINOv3特徴のグローバルアテンションプールと、細調整されたSAM 3.1マスクの楽器ランドマークでのローカルプールを組み合わせる。 我々の共有トランスフォーマーエンコーダと時間畳み込みヘッドは、この表現を、アーム固有の多層回帰ネットワークからマスク形状、単眼深度、および視覚状態の推定と統合する。 我々の位置分岐は、移動距離を維持するために、変位の大きさと方向を別々に予測する。 重み付けされた最小四角形による予測状態の観測と運動インクリメントに軌道を適合させ、累積予測回転に対する四元数観測を表現し、2次方向の目的を得る。 再建は2,802回のOpen-Hで行った。 メインOpen-HベンチマークのLiveMAEと比較すると,パス長平均絶対誤差は0.45から0.34\,cmに減少し,時間平均平均偏差を44.54\%から54.44\%に向上する。

関連論文リスト

• Geometric Context Transformer for Streaming 3D Reconstruction [51.19524805829903]
  LingBot-Mapは、ストリーミングデータからシーンを再構築するためのフィードフォワード3Dファウンデーションモデルである。 LingBot-Mapの定義的な側面は、アンカーコンテキスト、ポーズ参照ウィンドウ、トラジェクトリメモリを統合した、慎重に設計されたアテンションメカニズムにある。 この設計は、リッチな幾何学的コンテキストを維持しながら、ストリーミング状態をコンパクトに保ち、518 x 378の解像度入力に対して、20FPS程度の安定した効率的な推論を可能にする。
  論文  参考訳（メタデータ） (2026-04-15T17:58:13Z)
• FunRec: Reconstructing Functional 3D Scenes from Egocentric Interaction Videos [134.8812117202239]
  本稿では,エゴセントリックなRGB-Dインタラクションビデオから直接室内シーンの3次元ディジタル双対を再構成するFunRecを提案する。 本研究では,URDF/USDエクスポートのシミュレーション,手指のアベイランスマッピング,ロボットとシーンのインタラクションへの応用を実演する。
  論文  参考訳（メタデータ） (2026-04-07T09:22:12Z)
• End-to-End Spatial-Temporal Transformer for Real-time 4D HOI Reconstruction [74.31251139839047]
  THOは、ビデオと3Dテンプレートから、人間の動きと調整された物体の動きを前方に予測する、エンドツーエンドの空間-時間変換器である。 実験により、THOは1つの4090 GPU上で31.5 FPSの推論速度で動作し、以前の最適化ベースの手法よりも600倍のスピードアップを達成した。
  論文  参考訳（メタデータ） (2026-03-15T15:21:36Z)
• SV-GS: Sparse View 4D Reconstruction with Skeleton-Driven Gaussian Splatting [19.12278036176021]
  SV-GSは変形モデルと物体の動きを同時に推定するフレームワークである。 提案手法は,PSNRの34%までのスパース観測下での既存手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-01-01T09:53:03Z)
• Forge4D: Feed-Forward 4D Human Reconstruction and Interpolation from Uncalibrated Sparse-view Videos [27.595035122927204]
  本研究では,非校正されたスパースビュー映像からの時間的整列表現を効率よく校正するフィードフォワード4次元人間の再構成とモデルを提案する。 新たに,隣接する2つのフレーム間の3次元ガウス運動の高密度な動きを予測するための動き予測モジュールを設計した。 実験では、ドメイン内データセットとドメイン外データセットの両方において、モデルの有効性を示す。
  論文  参考訳（メタデータ） (2025-09-29T02:47:14Z)
• Pose2Gait: Extracting Gait Features from Monocular Video of Individuals with Dementia [3.2739089842471136]
  認知症高齢者の歩行の映像に基づく環境モニタリングは、健康のネガティブな変化を検出する可能性がある。 コンピュータビジョンに基づくポーズトラッキングモデルは、ビデオデータを自動的に処理し、関節位置を抽出することができる。 これらのモデルは、高齢者や臨床集団の歩行分析に最適化されていない。
  論文  参考訳（メタデータ） (2023-08-22T14:59:17Z)
• Coordinate Transformer: Achieving Single-stage Multi-person Mesh Recovery from Videos [91.44553585470688]
  ビデオから複数人の3Dメッシュを回収することは、バーチャルリアリティーや理学療法などにおけるグループ行動の自動認識に向けた重要な第一歩である。 本稿では,複数人物の時空間関係を直接モデル化し,同時にエンドツーエンドでマルチ・メッシュ・リカバリを行うコーディネート・トランスフォーマーを提案する。 3DPWデータセットの実験では、CoordFormerが最先端の精度を大幅に向上し、MPJPE、PAMPJPE、PVEの計測値でそれぞれ4.2%、8.8%、そして4.7%を上回った。
  論文  参考訳（メタデータ） (2023-08-20T18:23:07Z)
• PARIS: Part-level Reconstruction and Motion Analysis for Articulated Objects [17.191728053966873]
  本研究は,調音対象に対する同時部分レベル再構成と動きパラメータ推定の課題に対処する。 パートレベルの暗黙的形状と外観モデルを学ぶ自己教師型エンドツーエンドアーキテクチャPARISを提案する。 提案手法は,オブジェクトカテゴリ全体にわたって最適化され,入力として3次元点雲が与えられるベースラインや先行作業よりも優れる。
  論文  参考訳（メタデータ） (2023-08-14T18:18:00Z)
• Towards 3D Scene Reconstruction from Locally Scale-Aligned Monocular Video Depth [90.33296913575818]
  映像深度推定や映像からの3次元シーン再構成のようなビデオベースのシナリオでは、フレームごとの予測における未知のスケールとシフトが深度の不整合を引き起こす可能性がある。 局所重み付き線形回帰法を提案する。 提案手法は,複数のゼロショットベンチマークにおいて,既存の最先端手法の性能を50%向上させることができる。
  論文  参考訳（メタデータ） (2022-02-03T08:52:54Z)

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。