論文の概要: HumanPhys: A Human-Centric Physical-World Perception Benchmark for Real-World Visual Reasoning

• arxiv url: http://arxiv.org/abs/2610.14679v1
• Date: Sat, 10 Oct 2026 07:50:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 12:20:31.922408
• Title: HumanPhys: A Human-Centric Physical-World Perception Benchmark for Real-World Visual Reasoning
• Title（参考訳）: HumanPhys:実世界のビジュアル推論のための人間中心の物理世界知覚ベンチマーク
• Abstract要約: HumanPhysは、現実世界の物理的知覚のための人間中心のベンチマークである。 各質問は、人に関連する物理的根拠のある量をターゲットにしている。 HumanPhysは、人間中心の物理的知覚の6次元を探索する。
• 参考スコア（独自算出の注目度）: 16.887415234447555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce HumanPhys, a human-centric benchmark for real-world physical perception, and a training corpus emitted by the same pipeline. Each question targets a physically grounded quantity related to people, including depth, inter-person distance, gaze angle, displacement, velocity, heading-step trajectory, blink count, and contact-deformation strength. The rendered probes additionally test illumination inference from body and face cues and camera ego-motion, both with and without a person in the frame. All labels are derived programmatically from sensor calibration, source metadata, or renderer state, rather than written by annotators or produced by estimators on the benchmark frames. HumanPhys systematically probes six dimensions of human-centric physical perception: spatial state, kinematics, blink events, deformation, illumination, and camera pose. To the best of our knowledge, no existing MLLM benchmark-and-training corpus jointly supervises this set of human-centered physical quantities under direct metadata- or renderer-derived labels. The six dimensions appear only partially dissociable across the tested MLLMs. We benchmark a range of open- and closed-source MLLMs on HumanPhys and find that all six capability dimensions remain challenging for current models. We hope HumanPhys will support future research on multimodal systems that perceive and reason about people in the physical world.
• Abstract（参考訳）: 我々は、現実世界の物理的知覚のための人間中心のベンチマークであるHumanPhysと、同じパイプラインから出力されるトレーニングコーパスを紹介する。 各質問は、深度、対人距離、視線角、変位、速度、進路軌跡、瞬き数、接触変形強度など、人に関連する物理的根拠のある量をターゲットにしている。 レンダリングされたプローブは、フレーム内の人の有無にかかわらず、ボディおよびフェイスキューからの照明推測とカメラエゴモーションを検査する。 すべてのラベルは、アノテータによって書かれたり、ベンチマークフレーム上で推定者が作成したりするのではなく、センサキャリブレーション、ソースメタデータ、あるいはレンダラー状態からプログラム的に導出される。 HumanPhysは、空間状態、運動学、点滅イベント、変形、照明、カメラのポーズという、人間中心の物理的知覚の6つの次元を体系的に調査する。 我々の知る限り、既存のMLLMベンチマークとトレーニングコーパスは、直接メタデータまたはレンダラー由来のラベルの下で、この人間中心の物理量のセットを共同で監督するものではない。 6次元は、試験されたMLLM間で部分的に解離するだけである。 我々はHumanPhys上でオープンソースおよびクローズドソースのMLLMをベンチマークし、現在のモデルでは6つの機能ディメンジョンが依然として難しいことを発見した。 我々はHumanPhysが、物理的世界の人々について知覚し、推論するマルチモーダルシステムに関する将来の研究を支援することを願っている。

関連論文リスト

• Grounding Social Perception in Intuitive Physics [55.69427097024444]
  本稿では,計画,確率的計画,物理シミュレーションを統合し,エージェントの目標と関係を軌道から推測するモデルを提案する。 以上の結果から,本モデルが社会的場面の物理的理解の方法の計算的説明を提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-03-28T21:14:49Z)
• Towards Motion Turing Test: Evaluating Human-Likeness in Humanoid Robots [54.54929302887405]
  15のアクションカテゴリにまたがる1000のモーションシーケンスからなるHuman-Humanoid Motionデータセットを提案する。 すべてのモーションシーケンスは、視覚的外観の影響を排除するためにSMPL-X表現に変換される。 収集したデータから、ヒューマノイドの動きが人間の動きと顕著なずれを示すことが明らかとなった。
  論文  参考訳（メタデータ） (2026-03-06T11:40:56Z)
• EmbodMocap: In-the-Wild 4D Human-Scene Reconstruction for Embodied Agents [85.77432303199176]
  EmbodMocapは2つの動くiPhoneを使ったポータブルで安価なデータ収集パイプラインである。 私たちのキーとなるアイデアは、二重RGB-Dシーケンスを共同で校正し、人間とシーンの両方を再構築することです。 収集したデータに基づいて、我々は3つの具体的AIタスクを強化した: モノクラーヒューマン・シーン・リコンストラクション(モノクラーヒューマン・シーン・リコンストラクション)、メトリックスケールで世界空間に整合した人間とシーンを出力するフィードフォワードモデル、物理ベースのキャラクターアニメーション。
  論文  参考訳（メタデータ） (2026-02-26T16:53:41Z)
• Measuring Physical Plausibility of 3D Human Poses Using Physics Simulation [19.26289173517333]
  本研究では,任意の3次元姿勢推定モデルから予測された3次元ポーズの物理的妥当性と安定性を捉えるための2つの指標を提案する。 物理シミュレーションを用いて,既存の可視性測定値との相関と運動時の安定性の測定を行う。
  論文  参考訳（メタデータ） (2025-02-06T20:15:49Z)
• DECO: Dense Estimation of 3D Human-Scene Contact In The Wild [54.44345845842109]
  SMPL体上の接触を推定するために、身体部分駆動とシーンコンテキスト駆動の両方の注意を用いた新しい3D接触検出器を訓練する。 すべてのベンチマークで既存のSOTAメソッドよりも大幅に優れています。 また、DECが自然画像における多様で挑戦的な現実世界の人間のインタラクションによく当てはまることを定性的に示す。
  論文  参考訳（メタデータ） (2023-09-26T21:21:07Z)
• Trajectory Optimization for Physics-Based Reconstruction of 3d Human Pose from Monocular Video [31.96672354594643]
  本研究は,単眼映像から身体的に可視な人間の動きを推定する作業に焦点をあてる。 物理を考慮しない既存のアプローチは、しばしば運動人工物と時間的に矛盾した出力を生み出す。 提案手法は,Human3.6Mベンチマークにおける既存の物理法と競合する結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-05-24T18:02:49Z)
• HSPACE: Synthetic Parametric Humans Animated in Complex Environments [67.8628917474705]
  我々は、複雑な屋内および屋外環境に置かれたアニメーション人間による大規模な写真リアルデータセット、Human-SPACEを構築した。 年齢、性別、比率、民族性の異なる数百の個人と数百の動きとシーンを組み合わせて、100万フレームを超える最初のデータセットを生成します。 アセットは大規模に自動生成され、既存のリアルタイムレンダリングやゲームエンジンと互換性がある。
  論文  参考訳（メタデータ） (2021-12-23T22:27:55Z)
• Automatic Estimation of Anthropometric Human Body Measurements [0.0]
  本稿では,深層学習とニューラルネットワークの分野における研究を定式化し,様々な視覚的入力データから身体計測の課題に取り組む。 また, 各種人体形状の合成データセットを作成することにより, トレーニングや評価に要する地上の真理体計測に注釈を付ける実際の人体データの欠如にも対処する。
  論文  参考訳（メタデータ） (2021-12-22T16:13:59Z)
• Physion: Evaluating Physical Prediction from Vision in Humans and Machines [46.19008633309041]
  我々は、この能力を正確に測定する視覚的および身体的予測ベンチマークを示す。 我々は、様々な物理予測を行う能力について、アルゴリズムの配列を比較した。 物理的な状態にアクセス可能なグラフニューラルネットワークは、人間の振る舞いを最もよく捉えている。
  論文  参考訳（メタデータ） (2021-06-15T16:13:39Z)
• S3: Neural Shape, Skeleton, and Skinning Fields for 3D Human Modeling [103.65625425020129]
  歩行者の形状、ポーズ、皮膚の重みを、データから直接学習する神経暗黙関数として表現します。 各種データセットに対するアプローチの有効性を実証し,既存の最先端手法よりも再現性が優れていることを示す。
  論文  参考訳（メタデータ） (2021-01-17T02:16:56Z)

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。