論文の概要: WiSPER: Pose-Supervised Predictive and Residual Flow Refinement For Multi-Person 3D Pose Estimation With WiFi CSI

• arxiv url: http://arxiv.org/abs/2610.07025v1
• Date: Sun, 04 Oct 2026 16:57:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.515559
• Title: WiSPER: Pose-Supervised Predictive and Residual Flow Refinement For Multi-Person 3D Pose Estimation With WiFi CSI
• Title（参考訳）: WiSPER:WiFi CSIによる多人数の3D画像の予測と残留フローのリファインメント
• Abstract要約: WiSPERは2段階のフレームワークで、ポーズ認識による予測事前学習と条件付き残流改善を組み合わせた。 我々は、WiSPERが、WiFi-JEPAと比較して40.0%の減少である63.72mmの全体平均結合位置誤差を達成していることを示す。
• 参考スコア（独自算出の注目度）: 23.185031206257275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-person 3D pose estimation with WiFi channel state information (CSI) is challenging because reflections from different people overlap without directly identifying individual joints. Existing masked embedding objectives capture wireless relationships without explicit pose supervision, while structured decoders can retain coordinate errors. We propose WiSPER, a two-stage framework combining pose-aware predictive pretraining with conditional residual flow refinement. Pose-Aware Masked Embedding Learning (PAMEL) couples masked latent prediction with auxiliary pose-set supervision on the same CSI context, guiding the encoder toward joint localization from partial observations. Residual Flow refinement with Transformer (ReFT) generates a set of pose candidates to accommodate a variable number of people and refines each candidate through a conditional flow guided by its coarse coordinates and per-joint decoder features. Both stages use paired CSI and pose annotations during training, while inference requires only CSI. Experiments on the PiW3D dataset show that WiSPER achieves an overall mean per-joint position error of 63.72 mm, a 40.0% reduction relative to WiFi-JEPA. For experiments with two and three people, WiSPER reduces MPJPE by 42.1% and 38.1%, respectively. Pose-supervised pretraining configurations obtain lower errors than CSI-only JEPA, and enabling the trained residual refiner reduces overall MPJPE by 13.8-15.6% across the evaluated configurations.
• Abstract（参考訳）: WiFiチャネル状態情報(CSI)を用いた多人数の3Dポーズ推定は、個々の関節を直接特定することなく、異なる人物からの反射が重なり合うため困難である。 既存のマスクされた埋め込み目的は、明示的なポーズ監督なしで無線関係をキャプチャし、構造化デコーダは座標誤差を保持することができる。 ポーズ認識型予測事前学習と条件付き残流改善を組み合わせた2段階フレームワークWiSPERを提案する。 Pose-Aware Masked Embedding Learning (PAMEL) のカップルは、同じCSIコンテキストにおける補助的なポーズセットによる潜伏予測を隠蔽し、部分的な観察から関節局所化に向けてエンコーダを誘導した。 ReFT (Residual Flow refinement with Transformer) は、多数の人物に対応するために一連のポーズ候補を生成し、その粗い座標と結合するデコーダの特徴によって導かれる条件付きフローを通じて各候補を洗練する。 どちらのステージもペアCSIを使用し、トレーニング中にアノテーションをポーズするが、推論はCSIのみを必要とする。 PiW3Dデータセットの実験により、WiSPERは、WiFi-JEPAと比較して40.0%の減少である63.72mmの結合点当たりの平均誤差を達成した。 2人と3人の実験では、それぞれMPJPEを42.1%減らし、38.1%減らした。 pose-supervised pretrainingconfigsはCSIのみのJEPAよりも低いエラーを発生し、トレーニングされた残留リファレンスリファインダーを可能にすることで、評価された構成全体のMPJPEを13.8-15.6%削減する。

関連論文リスト

• Does the VGGT Family Need All Its Layers? [55.81487806596663]
  VGGT,3ドル,VGGT-$:3,018プルーニング構成における層冗長性について検討した。 取り外し可能な層が2つの冗長領域に集結しているのに対して、層間をまたがる削除は、常に破壊的である。 CKAは、間隔分解のためのより安価な表現ベースのプロキシを提供し、プルーニング品質とキャリブレーションコストのトレードオフを提供する。
  論文  参考訳（メタデータ） (2026-09-29T06:52:07Z)
• WiFi-JEPA: Self-supervised Learning for WiFi-CSI 3D Human Pose Estimation [0.6416429054645992]
  WiFi Channel State Information (CSI) は、プライバシー保護のための人間のポーズセンシングを可能にする。 マスク付き潜伏埋め込みを予測してCSIネイティブ表現を学習する自己教師型フレームワークであるWiFi-JEPAを提案する。
  論文  参考訳（メタデータ） (2026-07-13T04:05:07Z)
• C-MambaPose: A Physics-Informed Complex Mamba Framework for Cross-Environment WiFi Human Pose Estimation [0.0]
  C-MambaPose(C-MambaPose)は、Wi-Fiを用いた3次元ポーズ推定のための物理インフォームド複合値Mamba-GraFormerハイブリッドフレームワークである。 本フレームワークは、まず、生のWiFiチャネル状態情報(CSI)位相誤差を浄化し、位相保存複素値表現を構築する。 クロスアテンション共同クエリ・マッパーは、非構造的シーケンストークンをヒトの関節にマッピングし、グラフ畳み込みネットワーク(GCN)によってデコードされ、解剖学的にコヒーレントな3D座標を予測する。
  論文  参考訳（メタデータ） (2026-06-05T16:00:18Z)
• WISV: Wireless-Informed Semantic Verification for Distributed Speculative Decoding in Device-Edge LLM Inference [56.297697169678095]
  WISV(Wireless-Informed Semantic Verification)は、分散投機的復号化フレームワークである。 WISVは最大60.8%の許容長の増加、37.3%の対話ラウンドの削減、31.4%のエンドツーエンドレイテンシの改善を実現している。 NVIDIA Jetson AGX OrinとA40搭載サーバからなるハードウェアテストベッド上でWISVを検証する。
  論文  参考訳（メタデータ） (2026-04-20T01:29:56Z)
• Breaking Coordinate Overfitting: Geometry-Aware WiFi Sensing for Cross-Layout 3D Pose Estimation [26.629874388669176]
  本稿では、WiFiベースのクロスドメインポーズ推定のための最初の幾何条件付きフレームワークPerceptAlignを紹介する。 PerceptAlignは、最先端のベースラインと比較して、ドメイン内エラーを12.3%削減し、ドメイン間エラーを60%以上削減する。 これらの結果は、スケーラブルで実用的なWiFiセンシングへの有効な経路として、幾何学条件学習を確立している。
  論文  参考訳（メタデータ） (2026-01-18T04:13:09Z)
• End-to-End Human Pose Reconstruction from Wearable Sensors for 6G Extended Reality Systems [19.008505822600327]
  フル3次元ポーズ再構築は,第6世代(6G)ネットワークにおける拡張現実(XR)アプリケーションにとって重要な実現手段である。 従来のアプローチでは、屋内環境でのエラーのない送信を前提としており、実際のシナリオに適用性に制限がある。 我々はOFDMシステム上での人間のポーズ再構築のための新しいディープラーニングベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-06T08:52:44Z)
• 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)
• AdaptivePose++: A Powerful Single-Stage Network for Multi-Person Pose Regression [66.39539141222524]
  そこで本研究では,ヒトの部位を適応点として表現し,微細な身体表現法を提案する。 提案するボディ表現では,AdaptivePoseと呼ばれる,コンパクトなシングルステージ多人数ポーズ回帰ネットワークを提供する。 本稿では,AdaptivePoseの有効性を検証するために,2D/3D多人数ポーズ推定タスクにAdaptivePoseを用いる。
  論文  参考訳（メタデータ） (2022-10-08T12:54:20Z)
• Non-Local Latent Relation Distillation for Self-Adaptive 3D Human Pose Estimation [63.199549837604444]
  3次元ポーズ推定アプローチは、強い(2D/3Dポーズ)または弱い(複数ビューまたは深さ)ペアによる監督の異なる形態を利用する。 我々は3Dポーズ学習を,ラベル付きソースドメインから完全に損なわれないターゲットへのタスク知識の転送を目的とした,自己指導型適応問題として捉えた。 我々は、異なる自己適応設定を評価し、標準ベンチマークで最先端の3Dポーズ推定性能を示す。
  論文  参考訳（メタデータ） (2022-04-05T03:52:57Z)
• 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。