論文の概要: Human Pose Estimation by Probabilistic Mixtures of Gaussian and Uniform Distributions

• arxiv url: http://arxiv.org/abs/2610.14093v1
• Date: Thu, 08 Oct 2026 18:12:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 23:25:06.461195
• Title: Human Pose Estimation by Probabilistic Mixtures of Gaussian and Uniform Distributions
• Title（参考訳）: ガウス分布と一様分布の確率論的混合による人文推定
• Abstract要約: 生熱マップをインターセプトし,それをガウス混合モデル(GMM)としてモデル化する連続確率的フレームワークを提案する。 我々は,GMM空間精度の期待値が,処理後処理を伴わない主要サブピクセルデコーダと同等であることを示す。 本分析は,2次元キネマティック前駆体の性質的脆弱性を明らかにする。
• 参考スコア（独自算出の注目度）: 2.4493299476776778
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Despite advancements in sub-pixel decoding, modern Human Pose Estimation (HPE) architectures remain constrained by deterministic coordinate extraction from discrete heatmaps, which systematically fails under dense occlusions and Out-of-Distribution (OoD) ambiguities. To address these limitations, we propose a post-hoc continuous probabilistic framework that intercepts raw heatmaps and models them as a Gaussian Mixture Model (GMM) augmented with a spatially agnostic uniform distribution, requiring no architectural modifications or retraining. This continuous representation allows us to comprehensively explore the distinct contributions of density modeling to HPE. We show that the spatial expectation of our fitted GMM achieves precision parity with leading sub-pixel decoders without heuristic post-processing. Leveraging this continuous space, our test-time augmentation aggregates probability distributions rather than discrete activations, mitigating multi-scale heatmap poisoning. Furthermore, because our multimodal GMM parameterization isolates competing spatial hypotheses, it naturally interfaces with geometric regularizers such as Markov Random Fields. However, our analysis exposes the inherent vulnerabilities of 2D kinematic priors under perspective foreshortening and visual degradation. Crucially, this density formulation yields significant improvements in uncertainty quantification: our calibrated geometric covariance volume outperforms standard peak-intensity heuristics in OoD anomaly detection under severe occlusion. For in-distribution calibration, dynamically fusing our geometric metric via Adaptive Softmax reduces or matches baseline Area Under the Sparsification Error (AUSE) across benchmarks and degradation levels. Finally, we establish that this continuous parameterization is extensible to multi-view 3D architectures, bypassing the $\mathcal{O}(N^3)$ voxel memory bottleneck.
• Abstract（参考訳）: サブピクセルデコーディングの進歩にもかかわらず、現代のヒューマンポーズ推定(HPE)アーキテクチャは、密接なオクルージョンとOoD(Out-of-Distribution)の曖昧さの下で体系的に失敗する離散ヒートマップから決定論的座標抽出によって制約される。 これらの制約に対処するため, 生熱マップをインターセプトし, 空間的一様分布を付加したガウス混合モデル (GMM) としてモデル化し, 構造変更や再訓練を必要としないポストホック連続確率的フレームワークを提案する。 この連続表現は、HPEに対する密度モデリングの異なる貢献を包括的に探求することを可能にする。 GMMの空間的期待は、ヒューリスティックな後処理を伴わずに、先頭のサブピクセルデコーダと精度の高いパリティが得られることを示す。 この連続空間を活用することで、テストタイムの増大は、個別の活性化ではなく確率分布を集約し、マルチスケールのヒートマップ中毒を緩和する。 さらに、我々の多モードGMMパラメータ化は競合する空間仮説を分離するため、マルコフ・ランダム場のような幾何正規化器と自然に相互作用する。 しかし,本研究では2次元キネマティック前駆体の性質的脆弱性を明らかにする。 この密度の定式化は不確かさの定量化を著しく改善し, 厳密な閉塞下でのOoD異常検出において, 校正された幾何共分散体積は標準ピーク強度ヒューリスティックスを上回った。 分布内キャリブレーションでは、アダプティブ・ソフトマックス(Adaptive Softmax)を介して幾何学的計量を動的に融合することで、ベンチマークと劣化レベルをまたいだスペーシフィケーションエラー(AUSE)の下での領域を減らしたり、ベースラインと一致させたりします。 最後に、この連続パラメータ化は、$\mathcal{O}(N^3)$ voxelメモリボトルネックを回避して、マルチビュー3Dアーキテクチャに拡張可能であることを証明した。

関連論文リスト

• SCORE: Spectral Correlation Estimation for Multivariate Gaussians [14.105883070373645]
  高次元構造ガウス目標を用いたニューラルネットワークに基づく予測モデルは,共分散行列の効率的かつ数値的に安定な近似を必要とする。 スペクトル空間で学習した表現的共分散近似と、スコアリングルールトレーニングを組み合わせたスケーラブルなフレームワークSCOREを提案する。 一般に仮定されるガウス領域を用いて,様々なタスクにおけるモデルの評価を行い,計算コストの低減による性能向上を示す。
  論文  参考訳（メタデータ） (2026-10-08T15:01:56Z)
• Federated Soft Clustering via Generalized Total Variation Minimization [47.26943674490726]
  一般化総変分最小化(GTVMin)は、グラフ正規化器を通して局所的な最大可能性問題を結合する。 計算コストを特徴付けるとともに,データの不均一性に対するロバスト性を評価する。
  論文  参考訳（メタデータ） (2026-09-16T09:19:25Z)
• Fitting Unknown Number of Hyperplanes with Manifold Optimization [57.48093263119306]
  未知数の線形平面をデータに適合させることは、機械学習の根本的な課題である。 既存のアプローチはしばしば最適な最適化に苦しむか、幾何的整合性に欠ける。
  論文  参考訳（メタデータ） (2026-05-27T14:02:20Z)
• Generative 3D Gaussians with Learned Density Control [41.893507326094415]
  本稿では,適応的なレンダリングプリミティブとスケーラブルな生成モデルとのギャップを埋めるために設計された,新しい3次元表現であるDigital-Sampled Gaussian(DeG)を紹介する。
  論文  参考訳（メタデータ） (2026-05-08T17:54:25Z)
• DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
  本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。 我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。 この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
  論文  参考訳（メタデータ） (2026-04-08T07:01:24Z)
• ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
  本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。 ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。 Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGO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） (2026-02-10T20:44:43Z)
• Dendrograms of Mixing Measures for Softmax-Gated Gaussian Mixture of Experts: Consistency without Model Sweeps [41.371172458797524]
  ゲーティングパラメータの共通翻訳、固有のゲート-エキスパート相互作用、およびタイトな数値-デノミネータ結合までの不特定性に対処する。 モデル選択には, 最適なパラメータ率を得る専門家の数を一貫したスイープフリーセレクタとして, デンドログラム誘導SGMoEを適応させる。 干ばつを識別できるトウモロコシの形質のデータセット上で、私たちのデンドログラム誘導SGMoEは2人の専門家を選別し、明確な混合階層を公開し、確率を早期に安定化し、解釈可能な遺伝子型フェノタイプマップを生成する。
  論文  参考訳（メタデータ） (2025-10-14T17:23:44Z)
• Metropolis-Hastings Sampling for 3D Gaussian Reconstruction [31.840492077537018]
  3次元ガウス平滑化のための適応型サンプリングフレームワーク(3DGS)を提案する。 我々の枠組みは, 確率的サンプリングプロセスとして, デンシフィケーションとプルーニングを改質することで限界を克服する。 提案手法は,最先端モデルのビュー合成品質を適度に上回りながら,より高速な収束を実現する。
  論文  参考訳（メタデータ） (2025-06-15T19:12:37Z)
• Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View Tomography [58.60249163402822]
  未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。 提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
  論文  参考訳（メタデータ） (2022-07-06T21:40:59Z)

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。