論文の概要: DSR-Net: Learning Dynamic Skeletal Relations for 3D Human Pose Estimation

• arxiv url: http://arxiv.org/abs/2610.14499v1
• Date: Sat, 10 Oct 2026 02:56:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 13:14:19.087413
• Title: DSR-Net: Learning Dynamic Skeletal Relations for 3D Human Pose Estimation
• Title（参考訳）: DSR-Net:3次元人文推定のための動的骨格関係の学習
• Abstract要約: 3次元人間のポーズ推定には、動きに依存した骨格構造と関節間の依存関係の正確なモデリングが必要である。 DSR-Netは3次元ポーズ推定のための動的構造表現学習フレームワークである。
• 参考スコア（独自算出の注目度）: 5.348963365983831
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D human pose estimation requires accurate modeling of motion-dependent skeletal structures and inter-joint dependencies. Existing methods typically rely on fixed skeletal topologies in Graph Convolutional Networks (GCNs) or implicitly capture joint relations through attention mechanisms, limiting their adaptability to diverse motion patterns. To address this issue,we proposeDSR-Net, a dynamic structural representation learning framework for 3D human pose estimation. Specifically, a Dynamic Skeletal Relation (DSR) module is introduced to learn adaptive inter-joint dependencies beyond predefined skeletal connections. Based on the learned relations, a hierarchical relation-aware fusion strategy is developed to facilitate effective interaction between structural and temporal representations. In addition, a lightweight Residual Skeletal Recalibration Module (RSRM) is designed to enhance the stability of structure-aware features with minimal computational overhead. Extensive experiments on Human3.6M and MPI-INF-3DHP demonstrate that DSR-Net achieves MPJPEs of 37.9 mm and 14.9 mm, respectively, consistently improving over strong baselines. The results validate the effectiveness of dynamic skeletal relation modeling for robust 3D human pose estimation.
• Abstract（参考訳）: 3次元人間のポーズ推定には、動きに依存した骨格構造と関節間の依存関係の正確なモデリングが必要である。 既存の手法は通常、グラフ畳み込みネットワーク(GCN)の固定骨格トポロジに依存するか、注意機構を通じて暗黙的に結合関係を捉え、様々な動きパターンへの適応性を制限している。 本稿では,3次元ポーズ推定のための動的構造表現学習フレームワークDSR-Netを提案する。 具体的には、動的骨格関係(DSR)モジュールを導入し、予め定義された骨格接続を超えた適応的な結合間依存関係を学習する。 学習した関係に基づき、構造的表現と時間的表現の効果的な相互作用を促進するために階層的関係認識融合戦略を開発した。 さらに、軽量なResidual Skeletal Recalibration Module (RSRM) は、計算オーバーヘッドを最小限に抑えて構造認識機能の安定性を高めるように設計されている。 Human3.6M と MPI-INF-3DHP の大規模な実験により、DSR-Net はそれぞれ 37.9 mm と 14.9 mm の MPJPE を達成し、強いベースラインよりも一貫して改善している。 その結果、頑健な3次元ポーズ推定のための動的骨格関係モデリングの有効性が検証された。

関連論文リスト

• Motion-Adaptive Multi-Scale Temporal Modelling with Skeleton-Constrained Spatial Graphs for Efficient 3D Human Pose Estimation [9.74237142892215]
  そこで我々は,Skeleton-Constrained Space Graphs を用いた動き適応型マルチスケール時間モデルフレームワーク MASC-Pose を提案する。 具体的には、異なる時間スケールで異種運動ダイナミクスを適応的にキャプチャする、適応型マルチスケールテンポラルモデリング(AMTM)モジュールを導入する。 適応的時間的推論と効率的な空間アグリゲーションを併用することにより,高い計算効率で高い精度を実現する。
  論文  参考訳（メタデータ） (2026-04-04T09:04:40Z)
• PRGCN: A Graph Memory Network for Cross-Sequence Pattern Reuse in 3D Human Pose Estimation [18.771349697842947]
  本稿では、パターン検索と適応の問題としてポーズ推定を形式化する新しいフレームワークであるパターン再利用グラフ変換ネットワーク(PRGCN)を紹介する。 PRGCNのコアとなるグラフメモリバンクは、リレーショナルグラフとして符号化された一連のコンパクトなポーズプロトタイプを学習し、格納する。 PRGCNは,それぞれ37.1mm,13.4mmのMPJPEを達成し,クロスドメインの一般化能力の向上を図っている。
  論文  参考訳（メタデータ） (2025-10-22T11:12:07Z)
• Foundation Model for Skeleton-Based Human Action Understanding [56.89025287217221]
  本稿では,統一骨格に基づくDense Representation Learningフレームワークを提案する。 USDRLはトランスフォーマーベースのDense Spatio-Temporal (DSTE)、Multi-Grained Feature Deorrelation (MG-FD)、Multi-Perspective Consistency Training (MPCT)で構成されている。
  論文  参考訳（メタデータ） (2025-08-18T02:42:16Z)
• GGMotion: Group Graph Dynamics-Kinematics Networks for Human Motion Prediction [0.0]
  GGMotionはグループグラフのダイナミックス・キネマティクスネットワークで、人間のトポロジをグループでモデル化し、ダイナミックスやキネマティクスの事前利用を改善する。 グループ間およびグループ間相互作用モジュールは、異なるスケールで関節の依存関係をキャプチャするために使用される。 本手法は,短期動作予測において有意な性能差を達成している。
  論文  参考訳（メタデータ） (2025-07-10T08:02:01Z)
• Text-Derived Relational Graph-Enhanced Network for Skeleton-Based Action Segmentation [14.707224594220264]
  本稿では,モデリングと監視の両面を強化するために,テキストDerived Graph Network (TRG-Net)を提案する。 モデリングでは、動的時空間融合モデリング (Dynamic Spatio-Temporal Fusion Modeling, D) 法は、JGT (Text-Derived Joint Graphs) とチャネル適応を組み込む。 ARIS(Absolute-Relative Inter-Class Supervision)法では、絶対クラスを正規化するためにアクション特徴とテキスト埋め込みの対比学習を用いる。
  論文  参考訳（メタデータ） (2025-03-19T11:38:14Z)
• Unsupervised 3D Pose Estimation with Non-Rigid Structure-from-Motion Modeling [83.76377808476039]
  本研究では,人間のポーズの変形をモデル化し,それに伴う拡散に基づく動きを事前に設計する手法を提案する。 動作中の3次元人間の骨格を復元する作業は3次元基準骨格の推定に分割する。 混合時空間NASfMformerを用いて、各フレームの3次元基準骨格と骨格変形を2次元観測シーケンスから同時に推定する。
  論文  参考訳（メタデータ） (2023-08-18T16:41:57Z)
• Joint-Relation Transformer for Multi-Person Motion Prediction [79.08243886832601]
  相互作用モデリングの強化を目的とした結合関係変換器を提案する。 提案手法は3DPW-SoMoF/RCで900ms VIMを13.4%改善し, 3s MPJPEで17.8%/12.0%改善した。
  論文  参考訳（メタデータ） (2023-08-09T09:02:47Z)
• SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
  グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。 近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。 近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
  論文  参考訳（メタデータ） (2022-03-31T02:45:24Z)
• Multi-Scale Semantics-Guided Neural Networks for Efficient Skeleton-Based Human Action Recognition [140.18376685167857]
  スケルトンに基づく行動認識には,単純なマルチスケールセマンティクス誘導ニューラルネットワークが提案されている。 MS-SGNは、NTU60、NTU120、SYSUデータセットの最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-11-07T03:50:50Z)

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。