論文の概要: HuLiGen: Human LiDAR Generation from Parametric Body Models

• arxiv url: http://arxiv.org/abs/2610.10196v1
• Date: Wed, 07 Oct 2026 14:58:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.981396
• Title: HuLiGen: Human LiDAR Generation from Parametric Body Models
• Title（参考訳）: HuLiGen:パラメトリックボディモデルによる人間のLiDAR生成
• Abstract要約: パラメトリックボディモデルから人間のLiDAR点雲を生成する生成モデルであるHuLiGenを紹介する。 生成した点雲が実際の捕獲分布に近いことを示す。
• 参考スコア（独自算出の注目度）: 13.763326510528644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR point clouds of humans are extremely expensive to collect and annotate, thus represent a scarce resource that hinders the development of human analysis using this modality. To alleviate this scarcity, prior work relies on simulated human LiDAR, but such samples do not fully reflect the geometry and sensing characteristics of real observations. In contrast, we introduce HuLiGen, a generative model that generates human LiDAR point clouds from a parametric body model, using a point transformer trained with a flow-matching objective. We show that our generated point clouds are closer to the real capture distribution. Using HuLiGen to generate synthetic data, we propose a synthetic-only pretraining scheme for LiDAR-based HPE that achieves state-of-the-art performance, with even larger gains in low-annotation and low-data regimes, where MPJPE is reduced by up to 50%. Code, models and generated samples are available at https://github.com/valeoai/HuLiGen.
• Abstract（参考訳）: ヒトのLiDAR点雲は収集・注釈するのに非常に費用がかかるため、このモダリティを用いた人間の分析の発達を妨げる資源が不足している。 この不足を軽減するために、先行研究は人間のLiDARのシミュレーションに頼っているが、そのようなサンプルは実際の観測の幾何学的特徴とセンシング的特徴を完全に反映していない。 対照的にHuLiGenは、パラメトリックボディモデルから人間のLiDAR点雲を生成する生成モデルであり、フローマッチング目的で訓練された点変換器を用いている。 生成した点雲が実際の捕獲分布に近いことを示す。 合成データを生成するためにHuLiGenを用いて,MPJPEが最大50%減少する低アノテーションおよび低データレシエーションにおいてさらに大きな利益をもたらす,LiDARベースのHPEの合成専用事前学習方式を提案する。 コード、モデル、生成されたサンプルはhttps://github.com/valeoai/HuLiGen.comで入手できる。

関連論文リスト

• UniSH: Unifying Scene and Human Reconstruction in a Feed-Forward Pass [83.7071371474926]
  UniSHは、統合されたフィードフォワードフレームワークで、共同でメートルスケールの3Dシーンと人間の再構築を行う。 我々のフレームワークは、シーン再構築とHMRとの違いを強く橋渡しします。 本モデルは,人間中心のシーン再構築における最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-01-03T16:06:27Z)
• Point Cloud Segmentation of Agricultural Vehicles using 3D Gaussian Splatting [12.323236593352698]
  この研究は、現実的な合成データを生成するための新しいパイプラインを導入することを目的としている。 我々はジェネリックモデルではなく、複数の農業車両の3D資産を生成する。 我々は、合成データのみをトレーニングし、検証することにより、PointNet++、Point Transformer V3、OACNNなどのセグメンテーションモデルに対する合成データの影響を評価する。
  論文  参考訳（メタデータ） (2025-06-05T13:19:27Z)
• SN-LiDAR: Semantic Neural Fields for Novel Space-time View LiDAR Synthesis [11.615282010184917]
  SN-LiDARは,高精度なセマンティックセグメンテーション,高品質な幾何再構成,リアルなLiDAR合成を共同で行う手法である。 具体的には,多フレーム点群からグローバルな特徴を抽出するために,粗い平面グリッド特徴表現を用いる。 セマンティックKITTIとKITTI-360の実験は、意味的および幾何学的再構成におけるSN-LiDARの優位性を実証している。
  論文  参考訳（メタデータ） (2025-04-11T08:51:23Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• A Unified Generative Framework for Realistic Lidar Simulation in Autonomous Driving Systems [10.036860459686526]
  Lidarは、Autonomous Driving Systemsの知覚センサーの中で広く使われているセンサーである。 深層生成モデルは、現実的な感覚データを合成するための有望な解決策として現れてきた。 本稿では,Lidarシミュレーションの忠実度を高めるための統一的な生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-25T21:55:00Z)
• LiDAR Data Synthesis with Denoising Diffusion Probabilistic Models [1.1965844936801797]
  3D LiDARデータの生成モデリングは、自律移動ロボットに有望な応用をもたらす新たな課題である。 我々は,多種多様かつ高忠実な3Dシーンポイント雲を生成可能な,LiDARデータのための新しい生成モデルR2DMを提案する。 本手法は拡散確率モデル (DDPM) を用いて構築され, 生成モデルフレームワークにおいて顕著な結果が得られた。
  論文  参考訳（メタデータ） (2023-09-17T12:26:57Z)
• Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
  生成過程が下流MLタスクにどのように影響するかを示す。 本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
  論文  参考訳（メタデータ） (2023-05-16T07:30:29Z)
• Learning to Generate Realistic LiDAR Point Clouds [15.976199637414886]
  LiDARGenは、現実的なLiDARポイントクラウドセンサ読み取りを生成する、新しく、効果的で、制御可能な生成モデルである。 我々は,KITTI-360とNuScenesのデータセットに挑戦する手法を検証する。
  論文  参考訳（メタデータ） (2022-09-08T17:58:04Z)
• Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
  本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。 我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
  論文  参考訳（メタデータ） (2022-06-26T10:58:41Z)
• Controllable and Compositional Generation with Latent-Space Energy-Based Models [60.87740144816278]
  制御可能な生成は、現実世界のアプリケーションで深層生成モデルの採用を成功させる上で重要な要件の1つである。 本研究では, エネルギーモデル(EBM)を用いて, 属性の集合上での合成生成を扱う。 エネルギー関数を論理演算子と合成することにより、分解能1024x1024のフォトリアリスティック画像を生成する際に、このような構成性を実現するのはこれが初めてである。
  論文  参考訳（メタデータ） (2021-10-21T03:31:45Z)

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。