論文の概要: Skeletons in Flow: Graph Structured Flow Matching for Human Motion Prediction

• arxiv url: http://arxiv.org/abs/2609.32231v1
• Date: Sat, 26 Sep 2026 04:45:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 18:42:44.141356
• Title: Skeletons in Flow: Graph Structured Flow Matching for Human Motion Prediction
• Title（参考訳）: 流れの骨格:人間の動き予測のためのグラフ構造フローマッチング
• Abstract要約: Graph Structured Flow Matching (GSFM) は、単一の条件付速度場を通して、完全な将来の骨格軌道を輸送する。 骨の方向は根の関節に対して単位球上にあり、タンジェント進化は世代を通して入力された骨の長さを保っている。 我々は,最後に観測されたポーズを中心としたランダムな軌跡を接続する測地経路に沿った条件流マッチングを通じて学習速度場を訓練する。 表面形状のデータセットは、予測精度、多様性のキャリブレーション、動き統計を評価する。
• 参考スコア（独自算出の注目度）: 5.156605615930463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human motion prediction requires diverse future trajectories that remain consistent with observed motion and the articulated physical structure of the body. Skeletal constraints restrict individual poses, while coordinated motion depends on spatial interactions (between connected joints) and temporal interactions (between time instants). To facilitate human motion prediction in light of these constraints and interactions, we introduce Graph Structured Flow Matching (GSFM), which transports the complete future skeletal trajectory through a single conditional velocity field. The trajectory produces a spatiotemporal skeleton graph, and spatial and temporal attention couple its evolution according to skeletal relations and physical time offsets. Bone directions lie on unit spheres relative to a root joint, and tangent evolution preserves input bone lengths throughout generation. We train a learned velocity field through conditional flow matching along geodesic paths connecting random trajectories centered on the last-observed pose to recorded future trajectories. Experiments on the Archive of Motion capture As Surface Shapes (AMASS) dataset evaluate prediction accuracy, diversity calibration, and motion statistics. We demonstrate the contributions of spatial and temporal message passing in the developed architecture through an ablation study. GSFM models trained on AMASS also perform competitively on the Human3.6M skeleton without parameter updates or retraining, demonstrating applicability to an unseen skeletal structure.
• Abstract（参考訳）: 人間の動きを予測するには、観察された動きや体の構造と一致しない様々な将来の軌跡が必要である。 骨格的制約は個々のポーズを制限するが、協調運動は空間的相互作用(連結関節間)と時間的相互作用(時間的瞬間間)に依存する。 これらの制約や相互作用を考慮した人間の動作予測を容易にするため,1つの条件速度場を介して将来の骨格軌道を輸送するグラフ構造化フローマッチング(GSFM)を導入する。 軌道は時空間のスケルトングラフを生成し、空間的および時間的注意は骨格関係と物理的時間オフセットに応じてその進化と結合する。 骨の方向は根の関節に対して単位球上にあり、タンジェント進化は世代を通して入力された骨の長さを保っている。 我々は,最後に観測されたポーズを中心としたランダムな軌跡と将来の軌跡を接続する測地経路に沿って,条件付き流れマッチングを通じて学習速度場を訓練する。 Archive of Motion capture As Surface Shapes (AMASS)データセットの実験は、予測精度、多様性の校正、動き統計を評価する。 本稿では,空間的および時間的メッセージパッシングの貢献をアブレーション研究を通じて示す。 AMASSで訓練されたGSFMモデルはパラメータ更新や再訓練なしにHuman3.6Mの骨格上で競争力を発揮し、目に見えない骨格構造に適用可能であることを示した。

関連論文リスト

• From Where to How: Continuous 4D Interaction Forecasting from Egocentric Video [62.898774619819676]
  エゴセントリックな4Dインタラクション予測は、将来のインタラクションが3Dで起こる場所と、その実現のために人体がどのように動くかを予測することを目的としている。 コヒーレント4D(Coherent4D)は、3つの領域にわたる約233Kサンプルからなる連続4Dインタラクション予測のための大規模エゴセントリックデータセットである。 HIGFlow(Hand Interaction Guided Residual Flow)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-08T12:06:23Z)
• DyG$^2$T: Modeling Object Dynamics with 3D Gaussian Temporal-Spatial Particle Graph Transformer [86.4618122245946]
  DyG$2$Tは動的モデリングフレームワークで、キーポイント表現を空間的に完了し、時間的に識別することでオブジェクトの運動軌跡を推定する。 合成データセットと実世界のデータセットの両方の実験は、DyG$2$Tが正確な動的モデリングと推論を実現することを示した。
  論文  参考訳（メタデータ） (2026-08-19T03:44:28Z)
• NeuroPath: Brain-Inspired Dual-Pathway Graph Convolutional Networks for Skeleton-Based Action Recognition [34.895868545828726]
  骨格に基づく行動認識は、人間の関節座標のシーケンスから人間の行動を認識することを目的としている。 私たちの経験的研究は、異なる骨格のモダリティ間で明らかなパフォーマンスの不均衡を明らかにします。 人間の知覚における腹側・背側経路に触発されたDual-Pathway Graph Convolutional Networksを提案する。
  論文  参考訳（メタデータ） (2026-08-18T08:15:29Z)
• GGMotion: Group Graph Dynamics-Kinematics Networks for Human Motion Prediction [0.0]
  GGMotionはグループグラフのダイナミックス・キネマティクスネットワークで、人間のトポロジをグループでモデル化し、ダイナミックスやキネマティクスの事前利用を改善する。 グループ間およびグループ間相互作用モジュールは、異なるスケールで関節の依存関係をキャプチャするために使用される。 本手法は,短期動作予測において有意な性能差を達成している。
  論文  参考訳（メタデータ） (2025-07-10T08:02:01Z)
• Multiscale Residual Learning of Graph Convolutional Sequence Chunks for Human Motion Prediction [23.212848643552395]
  時間的および空間的依存関係の学習による人間の動作予測のための新しい手法を提案する。 提案手法は,動作予測のためのシーケンス情報を効果的にモデル化し,他の手法よりも優れ,新しい最先端の手法を設定できる。
  論文  参考訳（メタデータ） (2023-08-31T15:23:33Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• Motion Prediction via Joint Dependency Modeling in Phase Space [40.54430409142653]
  我々は、運動解剖学の明示的な事前知識を活用するために、新しい畳み込みニューラルモデルを導入する。 次に,個々の関節機能間の暗黙的関係を学習するグローバル最適化モジュールを提案する。 本手法は,大規模な3次元人体動作ベンチマークデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2022-01-07T08:30:01Z)

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。