論文の概要: Shape-Bayes: Bayesian Inference of Structured Shapes under Visual Ambiguity
- arxiv url: http://arxiv.org/abs/2610.09032v1
- Date: Tue, 06 Oct 2026 19:31:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.572891
- Title: Shape-Bayes: Bayesian Inference of Structured Shapes under Visual Ambiguity
- Title（参考訳）: 形状ベイズ:視覚的あいまいさ下における構造形状のベイズ的推論
- Abstract要約: シェープベイズ(Shape-Bayes)は、不確実性を認識した視覚知覚とベイズ的形状推論を結合する確率的枠組みである。
最先端の決定論的モデルよりも最大34%のIDRを絶対的に改善する。
- 参考スコア（独自算出の注目度）: 1.6924726879815812
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Perceiving structured shapes, such as human faces, from pixels is an inherently ambiguous task in real-world conditions. Yet, shape inference is largely posed as a deterministic regression task predicting fixed spatial coordinates. We find that deterministic regression is brittle when visual evidence is ambiguous or incomplete; under severe occlusions deterministic models exhibit structural collapse, predicting incoherent shapes or reverting to generic averages. To address this, we introduce Shape-Bayes, a probabilistic framework that couples uncertainty-aware visual perception with Bayesian shape reasoning. Rather than forcing point estimates, Shape-Bayes dynamically weights visual evidence against geometric priors to infer a structurally valid shape posterior. Demonstrated on human face shape regression, a rigorous testbed featuring complex non-rigid deformations and strict anatomical constraints, Shape-Bayes comprises: (1) a base model predicting noisy landmarks alongside distilled aleatoric uncertainties; (2) a lightweight Transformer encoding these observations into an adaptive prior over a PCA shape manifold; and (3) a differentiable Bayesian solver computing closed-form posteriors by balancing the noisy predictions against this prior. By guaranteeing complete structural integrity, Shape-Bayes achieves an absolute improvement of up to ~34% IDR over state-of-the-art deterministic models. Simultaneously, it yields highly calibrated uncertainty bounds and reduces relative error by up to 12.5%, establishing a new state-of-the-art for robust 2D face shape regression under severe occlusion. The project page is at https://shape-bayes.github.io.
- Abstract（参考訳）: 人間の顔などの構造的形状をピクセルから知覚することは、現実世界の状況において本質的にあいまいな作業である。
しかし, 形状推定は空間座標の定式化を推し進める決定論的回帰タスクとして大きく位置づけられている。
視覚的証拠が不明瞭あるいは不完全である場合,決定論的回帰は不安定であり,厳密な閉塞下では決定論的モデルは構造的崩壊を示し,不整合な形状を予測したり,一般的な平均に回帰する。
そこで我々は,不確実性を認識した視覚知覚とベイズ的形状推論を結合する確率的フレームワークであるShape-Bayesを紹介する。
形状ベイズ(Shape-Bayes)は、点推定を強制するのではなく、幾何学的先行に対する視覚的証拠を動的に重み付け、構造的に有効な形状の後部を推測する。
複雑な非剛性変形と厳密な解剖学的制約を特徴とする厳密なテストベッドは,(1)蒸留されたアレタリック不確かさとともにノイズのランドマークを予測するベースモデル,(2)これらの観測をPCA形状多様体上の適応的な事前に符号化する軽量トランスフォーマー,(3)ノイズの予測を相殺して閉形後部を演算する微分ベイズ型ソルバである。
完全な構造的整合性を保証することにより、シェープベイズは最先端の決定論的モデルよりも最大34%のIDRを絶対的に改善する。
同時に、高度に校正された不確実性境界を生じ、相対誤差を最大12.5%削減し、厳密な閉塞下での堅牢な2次元顔形状の回帰のための新しい最先端技術を確立する。
プロジェクトのページはhttps://shape-bayes.github.io.comにある。
関連論文リスト
- Articulating then Matching: Zero-Shot Shape Matching for Uncurated Data [0.5014513738509991]
3次元形状間の密接な対応を見つけることは、特に現実世界の環境では、基本的な問題であるが未解決の課題である。
ATMは、通信特化訓練を必要とせず、これらの問題を一度に堅牢に解決するフレームワークである。
論文 参考訳（メタデータ） (2026-06-28T03:05:46Z) - Lotus-2: Advancing Geometric Dense Prediction with Powerful Image Generative Model [32.831576387973875]
安定, 高精度, 微粒な幾何的密度予測のための2段階決定的フレームワークを提案する。
特に、第1段階では、コア予測器は、クリーンデータ目的の単一ステップ決定論的定式化を採用する。
第2段階では、ディテールシャープナーは、コア予測器によって定義される多様体内で制約付き多段階整流補正を行う。
論文 参考訳（メタデータ） (2025-11-30T18:57:25Z) - Matching Shapes Under Different Topologies: A Topology-Adaptive Deformation Guided Approach [6.851721795186258]
非厳密な3Dメッシュマッチングは、コンピュータビジョンとコンピュータグラフィックスパイプラインにおける重要なステップである。
トポロジカルアーティファクトを含むメッシュに取り組み、現在のアプローチによる仮定を破ることができる。
私たちは、しばしばトポロジカルなアーティファクトに悩まされる、フレームごとのマルチビュー再構築のような現実世界のシナリオに動機付けられています。
提案手法は, 従来のデータ駆動手法に頼らず, 3次元アライメント品質の大規模データセットでトレーニングした手法よりも, ノイズの多いフレーム単位のマルチビュー再構成を含む, トポロジカルアーチファクトの非等尺形状や形状に適用される。
論文 参考訳（メタデータ） (2025-09-08T16:29:44Z) - Towards Robust and Expressive Whole-body Human Pose and Shape Estimation [51.457517178632756]
全体のポーズと形状の推定は、単眼画像から人体全体の異なる振る舞いを共同で予測することを目的としている。
既存の手法では、既存のシナリオの複雑さの下で、しばしば劣化したパフォーマンスを示す。
全身のポーズと形状推定の堅牢性を高める新しい枠組みを提案する。
論文 参考訳（メタデータ） (2023-12-14T08:17:42Z) - Deformation-Guided Unsupervised Non-Rigid Shape Matching [7.327850781641328]
非厳密な形状マッチングのための教師なしデータ駆動方式を提案する。
本手法は,3次元スキャナを用いたディジタル形状のマッチングにおいて特に堅牢である。
論文 参考訳（メタデータ） (2023-11-27T09:55:55Z) - SSP-Pose: Symmetry-Aware Shape Prior Deformation for Direct
Category-Level Object Pose Estimation [77.88624073105768]
カテゴリーレベルのポーズ推定は、クラス内形状の変化によって難しい問題である。
カテゴリレベルのポーズ推定のためのエンドツーエンドのトレーニング可能なネットワークSSP-Poseを提案する。
SSP-Poseは、リアルタイムの推論速度が約25Hzの競合に比べて性能が優れている。
論文 参考訳（メタデータ） (2022-08-13T14:37:31Z) - RBP-Pose: Residual Bounding Box Projection for Category-Level Pose
Estimation [103.74918834553247]
カテゴリーレベルのオブジェクトポーズ推定は、既知のカテゴリの集合からの任意のオブジェクトの3次元メートル法サイズだけでなく、6次元のポーズを予測することを目的としている。
近年の手法では, 観測された点雲を標準空間にマッピングし, 梅山アルゴリズムを用いてポーズとサイズを復元する手法が提案されている。
本稿では,オブジェクトのポーズと残差ベクトルを共同で予測する,幾何学誘導型残差オブジェクト境界ボックス投影ネットワーク RBP-Pose を提案する。
論文 参考訳（メタデータ） (2022-07-30T14:45:20Z) - 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) - SNARF: Differentiable Forward Skinning for Animating Non-Rigid Neural
Implicit Shapes [117.76767853430243]
SNARFは多角形メッシュに対する線形ブレンドスキンの利点とニューラル暗黙表面の利点を組み合わせたものである。
反復ルート探索を用いて任意の変形点のすべての正準対応を探索するフォワードスキンモデルを提案する。
最先端のニューラルネットワークの暗黙的表現と比較すると,このアプローチは,精度を維持しつつ,未認識のポーズを一般化する。
論文 参考訳（メタデータ） (2021-04-08T17:54:59Z) - Monocular Human Pose and Shape Reconstruction using Part Differentiable
Rendering [53.16864661460889]
近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。
本稿では,ボディセグメンテーションを重要な監視対象として紹介する。
部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
論文 参考訳（メタデータ） (2020-03-24T14:25:46Z)
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。