論文の概要: Video-to-Model: Automatic Modeling of Deformable Linear Objects

• arxiv url: http://arxiv.org/abs/2610.10039v1
• Date: Wed, 07 Oct 2026 13:19:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.932225
• Title: Video-to-Model: Automatic Modeling of Deformable Linear Objects
• Title（参考訳）: ビデオ・トゥ・モデル:変形可能な線形物体の自動モデリング
• Abstract要約: 本稿では,変形可能な縫合糸の動作を入力ビデオから自動モデル化するビデオ・ツー・モデルフレームワークを提案する。 知覚モジュールは、ビデオ中のスレッドをローカライズして追跡し、順序付けられたスレッドノードのシーケンスを生成する。 観測されたスレッドの動きは、構造化CBF--CLF--QPモデルの有効パラメータを推定する時間時間CNNネットワークによって処理される。
• 参考スコア（独自算出の注目度）: 1.1661238776379117
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a video-to-model framework for automatically modeling the motion of a deformable suture thread from an input video. We utilize a recently developed CBF--CLF--QP numerical model that simplifies the characterization of deformable string motion through the selection of a small number of parameters. A perception module first localizes and tracks the thread in video, producing an ordered sequence of thread nodes. The observed thread motion is then processed by a spatio-temporal CNN network that estimates the effective parameters of a structured CBF--CLF--QP model. These parameters are used to simulate the thread under a user-defined needle velocity input. Experiments using unseen thread configurations and motion demonstrate that the framework can reliably reconstruct the thread behavior from video, automatically configure the structured model, and reproduce the expected thread motion with low tracking error. The proposed approach reduces the need for manual parameter tuning and provides a step toward automatic video-based modeling of deformable linear objects.
• Abstract（参考訳）: 本稿では,変形可能な縫合糸の動作を入力ビデオから自動モデル化するビデオ・ツー・モデルフレームワークを提案する。 最近開発されたCBF-CLF-QP数値モデルを用いて,少数のパラメータの選択により変形可能な弦運動のキャラクタリゼーションを簡略化する。 知覚モジュールは、まずビデオ中のスレッドをローカライズして追跡し、順序付けられたスレッドノードのシーケンスを生成する。 観測されたスレッドの動きは時空間CNNネットワークによって処理され、構造化CBF--CLF--QPモデルの有効パラメータを推定する。 これらのパラメータは、ユーザが定義した針速度入力の下でスレッドをシミュレートするために使用される。 未知のスレッド構成とモーションを用いた実験では、フレームワークがビデオからスレッドの動作を確実に再構築し、構造化されたモデルを自動的に構成し、低トラッキングエラーで期待されるスレッドの動きを再現できることが示されている。 提案手法は,手動パラメータチューニングの必要性を低減し,変形可能な線形オブジェクトの自動ビデオベースモデリングに向けたステップを提供する。

関連論文リスト

• Following Motion for Sequential Modeling in Video Frame Interpolation [22.71397762551783]
  状態空間モデル(SSM)はビデオフレーム補間(VFI)において有望なアーキテクチャとして浮上した 本稿では,ビデオフレーム補間(MGMVFI)のためのモーションガイドマンバを提案する。
  論文  参考訳（メタデータ） (2026-08-24T06:43:48Z)
• SNM-VFI: Symmetric Nonlinear Motion-Guided Generative Video Frame Interpolation [54.26896703895789]
  本稿では,事前学習した光フローと映像拡散モデルを用いたモーションコントロール可能な映像フレームの学習自由フレームワークを提案する。 SNM-VFIは、多様な動きシナリオにおける強い知覚品質、競争的再構成精度、堅牢な時間的コヒーレンスを実現する。
  論文  参考訳（メタデータ） (2026-08-13T16:43:49Z)
• SAMA: Factorized Semantic Anchoring and Motion Alignment for Instruction-Guided Video Editing [76.349958946335]
  本稿では,映像編集をセマンティックアンカーとモーションモデリングに分解するフレームワークであるSAMA(factorized Semantic Anchoring and Motion Alignment)を提案する。 まずセマンティックアンカリング(Semantic Anchoring)を導入し、スパースアンカフレームでのセマンティックトークンとビデオ潜在者を共同で予測することで、信頼性の高い視覚アンカを確立する。 第2に、モーションアライメントは同じバックボーンをモーション中心のビデオ復元のプリテキストタスクで事前トレーニングする。
  論文  参考訳（メタデータ） (2026-03-19T17:59:51Z)
• Disentangled Motion Modeling for Video Frame Interpolation [40.83962594702387]
  ビデオフレーム補間(VFI)は、既存のフレーム間の中間フレームを合成し、視覚的滑らかさと品質を高めることを目的としている。 中間動作モデリングに着目して視覚的品質を高めるVFIの拡散に基づく手法であるDistangled Motion Modeling (MoMo)を導入する。
  論文  参考訳（メタデータ） (2024-06-25T03:50:20Z)
• Appearance-Based Refinement for Object-Centric Motion Segmentation [85.2426540999329]
  本稿では,ビデオストリームの時間的一貫性を利用して,不正確なフローベース提案を補正する外観に基づく改善手法を提案する。 提案手法では,高精度なフロー予測マスクを模範として,シーケンスレベルの選択機構を用いる。 パフォーマンスは、DAVIS、YouTube、SegTrackv2、FBMS-59など、複数のビデオセグメンテーションベンチマークで評価されている。
  論文  参考訳（メタデータ） (2023-12-18T18:59:51Z)
• SceNeRFlow: Time-Consistent Reconstruction of General Dynamic Scenes [75.9110646062442]
  我々はSceNeRFlowを提案し、時間的一貫性のある方法で一般的な非剛体シーンを再構築する。 提案手法は,カメラパラメータを入力として,静止カメラからのマルチビューRGBビデオと背景画像を取得する。 実験により,小規模動作のみを扱う先行作業とは異なり,スタジオスケール動作の再構築が可能であることが示された。
  論文  参考訳（メタデータ） (2023-08-16T09:50:35Z)
• STMT: A Spatial-Temporal Mesh Transformer for MoCap-Based Action Recognition [50.064502884594376]
  本研究では、モーションキャプチャー(MoCap)シーケンスを用いた人間の行動認識の問題点について検討する。 メッシュシーケンスを直接モデル化する新しい時空間メッシュ変換器(STMT)を提案する。 提案手法は,スケルトンベースモデルやポイントクラウドベースモデルと比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-03-31T16:19:27Z)
• STDepthFormer: Predicting Spatio-temporal Depth from Video with a Self-supervised Transformer Model [0.0]
  ビデオ入力と空間的時間的注意ネットワークから,映像のフレーム列を同時に予測する自己教師型モデルを提案する。 提案モデルでは,物体形状やテクスチャなどの事前のシーン知識を,単一画像深度推定法に類似した手法で活用する。 マルチオブジェクト検出、セグメンテーション、トラッキングを含む複雑なモデルを必要とするのではなく、暗黙的にシーン内のオブジェクトの動きを予測することができる。
  論文  参考訳（メタデータ） (2023-03-02T12:22:51Z)

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。