論文の概要: Kinematics-Induced Multimodal 3D Human Pose Estimation with Subject-Level Privacy

• arxiv url: http://arxiv.org/abs/2610.02943v1
• Date: Fri, 02 Oct 2026 07:37:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.254687
• Title: Kinematics-Induced Multimodal 3D Human Pose Estimation with Subject-Level Privacy
• Title（参考訳）: 主観レベルプライバシを用いたキネマティクスによるマルチモーダル3次元人物位置推定
• Abstract要約: マルチモーダル3Dヒューマンポース推定(3D HPE)は、RGB、LiDAR、mmWaveレーダーからの補完情報を組み合わせたものである。 本稿では,キネマティクスによるセンサ融合と,主観的プライバシ監査とプライベートトレーニングを併用した統合フレームワークを提案する。 MM-Fiデータセットのフレームワークを3つの実験プロトコルで評価した。
• 参考スコア（独自算出の注目度）: 2.8733075292639896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal 3D Human Pose Estimation (3D HPE) combines complementary information from RGB, LiDAR, and mmWave radar, but models trained on correlated observations from the same individuals, raise privacy risks overlooked by record level analysis. We present a unified framework for multimodal 3D HPE that couples kinematics-induced sensor fusion with subject level privacy auditing and private training. First, our multimodal model aligns modality specific joint representation, injects skeletal structure and adaptively aggregates complementary sensor evidence for accurate pose prediction. Second, we formulate a black-box subject membership inference attack for 3D HPE, complemented by an empirical pointwise maximal leakage analysis, which characterizes how individual attack score outcomes change inference about the membership outcome. Third, we instantiate user-level differential privacy via Action Temporal Stratification, a population weighted within-subject sampling strategy that enforces action and temporal coverage. We evaluate our framework on the MM-Fi dataset across three diverse experimental protocols. Source-code will be released upon acceptance.
• Abstract（参考訳）: マルチモーダル3Dヒューマンポース推定(3D HPE)は、RGB、LiDAR、mmWaveレーダからの補完的な情報を組み合わせたものだが、同一個人からの相関観測に基づいて訓練されたモデルは、記録レベル分析によって見落とされたプライバシーリスクを高める。 本稿では,キネマティクスによるセンサ融合と主観的プライバシ監査とプライベートトレーニングを併用したマルチモーダル3D HPEの統一フレームワークを提案する。 まず,マルチモーダルモデルを用いて,モダリティ特異的な関節表現を調整し,骨格構造を注入し,正確なポーズ予測のための補足型センサエビデンスを適応的に集約する。 第2に、3次元HPEのブラックボックス・サブジェクト・メンバシップ推定攻撃を定式化し、個別の攻撃スコアがメンバーシップ結果にどのように影響するかを特徴付ける経験的ポイントワイド・最大リーク解析によって補完する。 第3に、アクション・テンポラル・ストラテフィケーション(Action Temporal Stratification)によってユーザレベルの差分プライバシーをインスタンス化する。 MM-Fiデータセットのフレームワークを3つの実験プロトコルで評価した。 ソースコードは受理時にリリースされる。

関連論文リスト

• From Multiplicity to Vulnerability: Privacy Amplification Risk from One-Dataset-Multiple-Model Exposure [18.343372735919292]
  本研究は, 1-dataset-multiple-model (ODMM) 設定がプライバシー漏洩を著しく増幅することを明らかにする。 ODMMモデルに対するブラックボックスアクセスでは、個々のODMMモデルによってリークされたプライバシー信号の集合的識別を行うアグリゲーション機構を設計する。 その結果,ODMMモデル全体にわたるデータセットの再利用が,プライバシーを著しく損なうという強い証拠が得られた。
  論文  参考訳（メタデータ） (2026-07-06T14:04:39Z)
• DisPOSE: Projected Polystochastic Diffusion for Self-Supervised Multi-View 3D Human Pose Estimation [58.47973015036709]
  DisPOSEは、本質的に離散的な多視点人物割り当て問題を近似する自己教師型フレームワークである。 特定可能なシンクホーン射影を用いることにより、本モデルは有効かつ実現可能な課題への解の導出を学ぶ。 提案手法は、標準データセット上での最先端の自己教師手法よりも優れている。
  論文  参考訳（メタデータ） (2026-06-05T16:14:39Z)
• SAM 3D Body: Robust Full-Body Human Mesh Recovery [65.0108906331903]
  シングルイメージフルボディ3Dヒューマンメッシュリカバリ(HMR)のためのアクセラブルモデルSAM 3D Body (3DB)を紹介する。 3DBは、身体、足、手の人間のポーズを推定します。 骨格構造と表面形状を分離する新しいパラメトリックメッシュ表現であるMomentum Human Rig(MHR)を使用した最初のモデルである。
  論文  参考訳（メタデータ） (2026-02-17T20:26:37Z)
• CondiMen: Conditional Multi-Person Mesh Recovery [0.0]
  本研究ではコンディメン(CondiMen)を提案する。コンディメン(CondiMen)は、カメラへのポーズ、体形、内在性、距離に関する共同パラメトリック分布を出力する手法である。 私たちのモデルは、最先端技術と同等以上のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-12-17T16:22:56Z)
• Towards Precise 3D Human Pose Estimation with Multi-Perspective Spatial-Temporal Relational Transformers [28.38686299271394]
  人間のポーズ検出のための3次元シーケンス・ツー・シーケンス(seq2seq)フレームワークを提案する。 まず、空間モジュールは人物のポーズ特徴を画像内コンテンツで表現し、フレーム・イメージ関係モジュールは時間的関係を抽出する。 提案手法は,一般的な3次元ポーズ検出データセットであるHuman3.6Mを用いて評価する。
  論文  参考訳（メタデータ） (2024-01-30T03:00:25Z)
• LiCamPose: Combining Multi-View LiDAR and RGB Cameras for Robust Single-frame 3D Human Pose Estimation [31.651300414497822]
  LiCamPoseは、マルチビューRGBとスパースポイントクラウド情報を統合して、単一のフレームで堅牢な3Dポーズを推定するパイプラインである。 LiCamPoseは、2つの公開データセット、1つの合成データセット、1つの挑戦的な自己収集データセットを含む4つのデータセットで評価されている。
  論文  参考訳（メタデータ） (2023-12-11T14:30:11Z)
• 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)
• Self-Attentive 3D Human Pose and Shape Estimation from Videos [82.63503361008607]
  3D人間のポーズと形状推定のためのビデオベースの学習アルゴリズムを紹介します。 ビデオの時間情報を利用して自己着脱モジュールを提案する。 本手法を3DPW, MPI-INF-3DHP, Human3.6Mデータセット上で評価した。
  論文  参考訳（メタデータ） (2021-03-26T00:02:19Z)
• 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。