Fugu-MT 論文翻訳(概要): TAP3D: Thermal-Assisted 3D Human Point Clouds

論文の概要: TAP3D: Thermal-Assisted 3D Human Point Clouds

arxiv url: http://arxiv.org/abs/2610.11241v1
Date: Thu, 08 Oct 2026 04:42:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-10 11:59:33.732866
Title: TAP3D: Thermal-Assisted 3D Human Point Clouds
Title（参考訳）: TAP3D:熱支援型3D人点雲
Abstract要約: 人体熱信号から3次元の人点雲を再構成する最初のシステムであるTAP3Dを提案する。体温を点雲に初めて変換することで、TAP3Dはプライバシー第一で完全に受動的な人間の知覚のための新しいパラダイムを開拓した。
参考スコア（独自算出の注目度）: 11.849367431019624
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Human body point clouds are a versatile representation for AI-enabled human sensing. However, existing methods using LiDAR, radar, and depth cameras suffer from inherent drawbacks in high cost, sparse reconstruction, and privacy concerns, etc. In this paper, we exploit low-cost thermal arrays and present TAP3D, the first system to reconstruct 3D human point clouds from body heat signatures, offering significant advantages in cost, density, human sensitivity, and privacy. To overcome major challenges in depth estimation, thermal interference, and multi-person separation, we propose a novel physics-informed design, which integrates a forward thermal physics model with two distinct modules: multi-primitive estimation for self-supervised joint recovery of depth and other thermal properties, and geometric perspective fusion for suppressing interference and disentangling multiple people. We implement TAP3D using a single commodity thermal array sensor and build a large-scale dataset (160K samples, 8 environments, 11 users) for evaluation. TAP3D achieves remarkable accuracy for dense point cloud generation, enabling downstream tasks like fall detection (91.46%), indoor tracking (21.86 cm MAE), and human mesh recovery (4.87 cm error). By transforming body heat into point clouds for the first time, TAP3D pioneers a new paradigm for privacy-first, fully passive human sensing for many applications. TAP3D is open-sourced at https://github.com/aiot-lab/TAP3D.
Abstract（参考訳）: 人体点雲はAI対応の人体センシングのための多用途表現である。しかし、LiDAR、レーダー、奥行きカメラを用いた既存の手法は、コストのかかる固有の欠点、疎い再構築、プライバシー上の懸念などに悩まされている。本稿では、低コスト熱アレイと、人体熱信号から3次元の人点雲を再構成する最初のシステムであるTAP3Dを用いて、コスト、密度、人間の感度、プライバシーの面で大きな利点を提供する。深度推定, 熱干渉, マルチパーソン分離における大きな課題を克服するために, 前方熱物理モデルと2つの異なるモジュールを統合した新しい物理インフォームド設計を提案する。我々は,1つのコモディティ・サーマルアレイセンサを用いてTAP3Dを実装し,評価のための大規模データセット(160Kサンプル,8環境,11ユーザ)を構築した。 TAP3Dは高密度点雲の生成において顕著な精度を実現し、転倒検出(91.46%)、屋内追跡(21.86cm MAE)、メッシュ回復(4.87cmエラー)などの下流タスクを可能にする。体温をポイントクラウドに初めて変換することで、TAP3Dは多くのアプリケーションに対して、プライバシ優先で完全に受動的な人間のセンシングのための新しいパラダイムを開拓した。 TAP3Dはhttps://github.com/aiot-lab/TAP3Dでオープンソース化されている。

関連論文リスト

Robust 3D Object Detection using Probabilistic Point Clouds from Single-Photon LiDARs [29.92823252627008]
LiDARベースの3Dセンサーは、様々なシーン理解タスクで使用される標準的な3D表現である点雲を提供する。現代のLiDARは、長距離や低アルベドオブジェクトのようないくつかの現実のシナリオで課題に直面し、スパースや誤点雲を発生させる。本稿では,各点を確率属性で拡張した新しい3次元シーン表現である確率点雲(PPC)を提案する。
論文参考訳（メタデータ） (2025-07-31T21:32:21Z)
mmDEAR: mmWave Point Cloud Density Enhancement for Accurate Human Body Reconstruction [14.480271406960467]
そこで本研究では,mmWave点雲を向上し,身体再構成精度を向上する2段階のディープラーニングフレームワークを提案する。我々のアプローチは最先端の手法よりも優れており、既存のモデルに統合された場合の性能がさらに向上する。
論文参考訳（メタデータ） (2025-03-04T08:03:53Z)
Pre-training a Density-Aware Pose Transformer for Robust LiDAR-based 3D Human Pose Estimation [27.25933965875881]
LiDARベースの3Dヒューマンポース推定が研究の焦点となっている。既存の手法のほとんどは、時間情報、マルチモーダル融合、あるいはSMPL最適化を使ってバイアスのある結果を修正する。本稿では,ポイントクラウドのモデリングと拡張に関する洞察を提供する,シンプルながら強力な手法を提案する。
論文参考訳（メタデータ） (2024-12-18T02:54:30Z)
Sparse Points to Dense Clouds: Enhancing 3D Detection with Limited LiDAR Data [68.18735997052265]
単分子と点雲に基づく3次元検出の利点を組み合わせたバランスの取れたアプローチを提案する。本手法では,低コストで低解像度のセンサから得られる3Dポイントを少数必要としている。 3次元検出の精度は最先端の単分子検出法と比較して20%向上する。
論文参考訳（メタデータ） (2024-04-10T03:54:53Z)
PointHPS: Cascaded 3D Human Pose and Shape Estimation from Point Clouds [99.60575439926963]
本稿では,実環境で捉えた点雲から正確な3次元HPSを実現するための基本的フレームワークであるPointHPSを提案する。 PointHPSは、カスケードアーキテクチャを通じてポイント機能を反復的に洗練する。広範囲な実験により、ポイントHPSは強力な特徴抽出と処理方式を持ち、State-of-the-Art法より優れていることが示された。
論文参考訳（メタデータ） (2023-08-28T11:10:14Z)
Get3DHuman: Lifting StyleGAN-Human into a 3D Generative Model using Pixel-aligned Reconstruction Priors [56.192682114114724]
Get3DHumanは、生成された結果のリアリズムと多様性を大幅に向上させる、新しい3Dヒューマンフレームワークである。我々のキーとなる観察は、この3Dジェネレータは、人間の2Dジェネレータと3Dコンストラクタを通して学んだ、人間関係の先行技術から利益を得ることができるということだ。
論文参考訳（メタデータ） (2023-02-02T15:37:46Z)
EPNet++: Cascade Bi-directional Fusion for Multi-Modal 3D Object Detection [56.03081616213012]
本稿では,新しいCasscade Bi-directional Fusion(CB-Fusion)モジュールを導入することで,マルチモーダル3Dオブジェクト検出のためのEPNet++を提案する。提案したCB-Fusionモジュールは、カスケード双方向相互作用融合方式で画像特徴と点特徴の豊富な意味情報を高める。 KITTI、JRDB、SUN-RGBDデータセットの実験結果は、最先端の手法よりもEPNet++の方が優れていることを示している。
論文参考訳（メタデータ） (2021-12-21T10:48:34Z)
VoteHMR: Occlusion-Aware Voting Network for Robust 3D Human Mesh Recovery from Partial Point Clouds [32.72878775887121]
単フレーム部分点雲から信頼性の高い3次元形状を復元する最初の試みを行う。本稿では,VoteHMRというエンドツーエンドの学習方法を提案する。提案手法は,2つの大規模データセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2021-10-17T05:42:04Z)
Anchor-free 3D Single Stage Detector with Mask-Guided Attention for Point Cloud [79.39041453836793]
我々は、点雲をアンカーフリーで検出する新しい1段3次元検出器を開発した。ボクセルをベースとしたスパース3D特徴量からスパース2D特徴量マップに変換することでこれを克服する。検出信頼度スコアとバウンディングボックス回帰の精度との相関性を改善するために,IoUに基づく検出信頼度再校正手法を提案する。
論文参考訳（メタデータ） (2021-08-08T13:42:13Z)
3D-FFS: Faster 3D object detection with Focused Frustum Search in sensor fusion based networks [0.0]
センサフュージョンに基づく3Dオブジェクト検出ネットワークを高速化する新しいアプローチである3D-FFSを提案する。 3D-FFSは3D検索スペースを大幅に制限し、トレーニング時間、推論時間、メモリ消費を大幅に削減できます。 F-ConvNetと比較して62.84%、56.46%のトレーニングと推論時間の改善を実現し、メモリ使用量を58.53%削減しました。
論文参考訳（メタデータ） (2021-03-15T11:32:21Z)
PLUME: Efficient 3D Object Detection from Stereo Images [95.31278688164646]
既存の手法では、2つのステップでこの問題に対処する: 第一深度推定を行い、その深さ推定から擬似LiDAR点雲表現を計算し、3次元空間で物体検出を行う。この2つのタスクを同一のメトリック空間で統一するモデルを提案する。提案手法は,既存の手法と比較して推定時間を大幅に削減し,挑戦的なKITTIベンチマークの最先端性能を実現する。
論文参考訳（メタデータ） (2021-01-17T05:11:38Z)

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。