論文の概要: Verifier-Guided Synthetic Augmentation for 3D Human Shape Generation

• arxiv url: http://arxiv.org/abs/2610.04006v1
• Date: Fri, 02 Oct 2026 20:08:54 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:44:38.100075
• Title: Verifier-Guided Synthetic Augmentation for 3D Human Shape Generation
• Title（参考訳）: 3次元形状生成のための検証誘導合成法
• Abstract要約: 我々は,グローバルおよびモードローカルPCAを用いた検証誘導拡張フレームワークを導入し,安価な候補を生成する。 弾性登録は、分散PCAが使用するモーダル構造と、スケーラブルなスクリーニングに必要な密度の解剖学的対応の両方を提供する。 登録された4,498のDFAUST面では、分散PCA増大は86.32%、CP-AUCが0.871、EAUCが0.752、EAUCが32%向上した。
• 参考スコア（独自算出の注目度）: 19.22481798584505
• License:
• Abstract: Limited training data diversity constrains generative modeling of 3D human bodies: conservative models remain close to observed examples, whereas exploratory models often violate basic body proportions. We introduce a verifier-guided augmentation framework that uses global and mode-local PCA to generate inexpensive candidates, screens them using correspondence-derived skeletal proportions and body-part geometry, and retrains a diffusion model on accepted candidates. Elastic registration provides both the modal structure used by distributed PCA and the dense anatomical correspondence needed for scalable screening without per-candidate body-model fitting. A blinded human study supports the verifier as a conservative gatekeeper, favoring verifier-accepted over rejected outputs. We evaluate full-pool verifier acceptance separately from the coverage and departure of accepted samples and combine them through EAUC. On 4,498 registered DFAUST surfaces, distributed-PCA augmentation achieves 86.32% acceptance, the highest CP-AUC (0.871), and the highest EAUC (0.752), improving EAUC by 32% over real-only and self-augmented diffusion. These results show that mode-local, verifier-guided proposals broaden diffusion generation while maintaining high agreement with calibrated body measurements.
• Abstract（参考訳）: 限定的なトレーニングデータ多様性は、3次元の人体の生成的モデリングを制約する:保守的なモデルは観察された例に近づき、探索モデルは基礎的な身体比率に反することが多い。 我々は,グローバルおよびモードローカルPCAを用いて,安価な候補を生成する検証者誘導型拡張フレームワークを導入し,対応型骨格比と身体部分形状を用いてそれらをスクリーニングし,受理された候補に対する拡散モデルを再学習する。 弾性登録は、分散PCAが使用するモーダル構造と、拡張性検査に必要な高密度な解剖学的対応の両方を提供する。 盲目の人間の研究は、検証者を保守的なゲートキーパーとして支持し、拒否された出力よりも検証者を受け入れた。 本報告では,全プール検証器の受入を,受入サンプルのカバレッジと離脱から分離して評価し,EAUCを介して組み合わせた。 登録された4,498のDFAUST面上では、分散PCAは86.32%、CP-AUCは0.871、EAUCは0.752、EAUCは32%向上した。 これらの結果から, モード局所的検証誘導型提案は, 校正体計測との高整合性を維持しつつ, 拡散発生を拡大することが示された。

関連論文リスト

• Towards Robust Time Series Learning via Capacity-Centric Modulation [76.23489485385964]
  本稿では,CCM(Capacity-Centric Modulation)を相補的,サンプル適応正規化原理として提案する。 SACM(Sample-Adaptive Capacity Modulation)は,スペクトル空間の分散を利用して,サンプルワイドドロップアウト確率を割り当てるタスク非依存のフレームワークである。 301個の実世界のデータセット-バックボーンペアのうち、SACMは平均でMSEの予測を6.7%削減し、分類精度を3.04%改善し、ポイント調整されたF1を17.05%改善した。
  論文  参考訳（メタデータ） (2026-09-30T10:51:23Z)
• Inferential Evaluation of Surrogate-Derived Models under Covariate Shift [5.27896359595804]
  トランスファーラーニング環境では、サロゲートラベルから派生したモデルが、ゴールド標準結果が観測されないターゲット人口に展開される可能性がある。 小型のゴールドラベル源,大型のサロゲートラベル源,未ラベルターゲットを用いた3サンプル設定について検討した。 条件付き輸送性では,ターゲット個体群における潜伏する金標準結果に対して,サロゲート由来のモデルを評価する。
  論文  参考訳（メタデータ） (2026-08-16T15:05:38Z)
• CONFLUX: A Latent Diffusion Model for 3D Chest-CT Synthesis with RL Post-Training [2.2462804525190427]
  3次元医用画像の制御可能な生成モデルは、特定の臨床属性でボリュームを合成することができる。 胸部CTにおける潜伏拡散モデルであるCONFLUXについて述べる。 3D変分オートエンコーダは各ボリュームを圧縮し、整流変圧器は潜時空間で発生する。
  論文  参考訳（メタデータ） (2026-07-03T06:31:00Z)
• Optimizing Visual Generative Models via Distribution-wise Rewards [57.46109819595665]
  本稿では,実世界のデータ分布との整合性を確保するために,分布ワイド報酬を用いた生成モデルを微調整する新しいフレームワークを提案する。 提案手法は,SiTでは5.77,EDM2では3.74から3.52まで,様々なベースモデルでFID-50Kを大幅に改善する。
  論文  参考訳（メタデータ） (2026-07-02T15:08:56Z)
• FOSCU: Feasibility of Synthetic MRI Generation via Duo-Diffusion Models for Enhancement of 3D U-Nets in Hepatic Segmentation [10.129958145676412]
  Duo-Diffusion は ControlNet を用いた3次元潜伏拡散モデルである。 高分解能で解剖学的にリアルな合成MRIボリュームと対応するセグメンテーションラベルを生成する。 空間的な一貫性と正確な解剖学的詳細を保証するために、セグメンテーション条件の拡散を用いる。
  論文  参考訳（メタデータ） (2026-03-31T07:09:51Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Denoising diffusion networks for normative modeling in neuroimaging [1.0195618602298684]
  ほとんどの神経画像パイプラインは画像由来表現型(IDP)の1つのモデルに適合する IDPの統一条件密度推定器として拡散確率モデル(DDPM)を提案する。 ヘテロセダスティックおよびマルチモーダルな年齢効果を持つ合成ベンチマークと,英国バイオバンクフリーサーファー表現型を用いて,次元2～200のスケールで評価した。
  論文  参考訳（メタデータ） (2026-01-24T06:19:10Z)
• Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution [67.9215891673174]
  離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。 標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
  論文  参考訳（メタデータ） (2023-10-25T17:59:12Z)
• 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)

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。