論文の概要: DreamHMR: From Video Generation to Human Motion Modeling via Structural Focusing

• arxiv url: http://arxiv.org/abs/2610.20124v1
• Date: Wed, 14 Oct 2026 12:45:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.160262
• Title: DreamHMR: From Video Generation to Human Motion Modeling via Structural Focusing
• Title（参考訳）: DreamHMR: ビデオ生成から構造に着目した人間のモーションモデリングへ
• Abstract要約: 身体と手動の完全な再構成にビデオ生成を適応させるフレームワークであるDreamHMRを提案する。 これはグローバルからローカルへの戦略に従っており、まず人間の幾何学におけるビデオ表現を基礎にし、次に身体を精製し、信頼できる局所的な証拠で詳細を手作業で記述する。
• 参考スコア（独自算出の注目度）: 21.933428070098923
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human mesh recovery (HMR) provides a geometric foundation for understanding human motion, but accurately reconstructing both body motion and fine hand articulation from videos remains challenging, especially in real-world scenes where occlusion and partial visibility are common. Video generation pretraining offers rich spatial and temporal priors for this task, but its focus on visual synthesis leaves a gap between these representations and explicit human geometry. We present DreamHMR, a general framework that adapts video generation priors for complete body-and-hand reconstruction. It follows a global-to-local strategy, first grounding video representations in human geometry and then refining body and hand detail with reliable local evidence. Global Body Representation Transfer trains the video backbone to predict complete human renderings, turning its native prediction task into a means of learning surface correspondence and posed geometry. Local Joint Feature Enhancement combines contextual estimates with reliable local evidence to recover fine body and hand detail, while limiting interference from occluders and background. Experiments on five datasets with four video backbones demonstrate strong reconstruction performance across backbone families. Under a unified evaluation protocol, our best model outperforms the best existing methods on all reported metrics of 3DPW, EMDB-1, and RICH, reducing body MPJPE by 4.2%, 4.7%, and 6.1%, respectively. In more challenging occlusion settings on held-out BEDLAM and EgoBody sequences, DreamHMR reduces overall body and hand MPJPE by 7.0% and 10.0%, respectively. Our code will be made publicly available.
• Abstract（参考訳）: HMR(Human Mesh recovery)は、人間の動きを理解するための幾何学的基盤を提供するが、ビデオから身体の動きと手の細かい関節を正確に再構築することは、特に閉塞と部分的な視界が一般的である現実のシーンでは難しいままである。 ビデオ生成事前学習は、このタスクに豊富な空間的および時間的先行性を提供するが、視覚合成に焦点をあてることによって、これらの表現と明示的な人間の幾何学の間にギャップが生じる。 全身・身体・手の再建にビデオ生成を適応させる一般的なフレームワークであるDreamHMRを提案する。 それは、まず人間の幾何学におけるビデオ表現を基礎にし、次に身体を精細化し、信頼できる局所的な証拠で詳細を精査するグローバル・ローカル戦略に従っている。 Global Body Representation Transferは、ビデオのバックボーンをトレーニングして人間のレンダリングを予測し、そのネイティブな予測タスクを、表面の対応を学習し、幾何学を提示する手段に変える。 局所的関節機能強化は、文脈的推定と信頼性のある局所的証拠を組み合わせることで、身体と手の詳細を回復し、咬合器と背景からの干渉を制限する。 4つのビデオバックボーンを持つ5つのデータセットの実験は、バックボーンファミリー間で強力な再構築性能を示す。 統一評価プロトコルでは, 3DPW, EMDB-1, RICHの計測値について, 既存手法よりも優れた性能を示し, 体MPJPEを4.2%, 4.7%, 6.1%削減した。 BEDLAMおよびEgoBody配列のより困難な閉塞設定では、DreamHMRは全身と手指MPJPEをそれぞれ7.0%、手指MPJPEを10.0%削減する。 私たちのコードは公開されます。

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)
• CRISP: Contact-Guided Real2Sim from Monocular Video with Planar Scene Primitives [65.89192712575797]
  本研究では,モノクロ映像から再現可能な人物の動きとシーン形状を復元するCRISPを紹介する。 我々の手法は、人中心のビデオベンチマークにおいて、モーショントラッキングの失敗率を55.2%から6.9%に下げる。 このことは、CRISPが物理的に有意な人間の動きと対話環境を大規模に生成する能力を示している。
  論文  参考訳（メタデータ） (2025-12-16T18:59:50Z)
• Human3R: Everyone Everywhere All at Once [69.16576238974876]
  我々はモノクロビデオからオンライン4Dヒューマンシーン再構築のためのフィードフォワードフレームワークであるHuman3Rを提案する。 Human3Rは、重い依存と反復的な改善を取り除く統一モデルである。 グローバルなヒューマンモーション推定、ローカルなヒューマンメッシュリカバリ、ビデオ深度推定、カメラポーズ推定など、タスク間で優れたパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2025-10-07T17:59:52Z)
• Reconstructing People, Places, and Cameras [57.81696692335401]
  Humans and Structure from Motion (HSfM) は、メカニカルワールド座標系において、複数の人メッシュ、シーンポイント雲、カメラパラメータを共同で再構築する手法である。 以上の結果から,SfMパイプラインに人体データを組み込むことで,カメラのポーズ推定が改善された。
  論文  参考訳（メタデータ） (2024-12-23T18:58:34Z)
• ARTS: Semi-Analytical Regressor using Disentangled Skeletal Representations for Human Mesh Recovery from Videos [18.685856290041283]
  ARTSは、一般的なベンチマークにおけるフレーム単位の精度と時間的一貫性の両方において、既存の最先端のビデオベースの手法を超越している。 ビデオから3Dスケルトンを推定するために,スケルトン推定およびアンタングルメントモジュールを提案する。 回帰器は、Temporal Inverse Kinematics (TIK), bone-guided Shape Fitting (BSF), Motion-Centric Refinement (MCR)の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2024-10-21T02:06:43Z)

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。