論文の概要: SituHOI: Scalable Capture of Scene-Situated Full-Body Human-Object Interaction

• arxiv url: http://arxiv.org/abs/2610.23980v1
• Date: Tue, 13 Oct 2026 17:39:10 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:56:01.404046
• Title: SituHOI: Scalable Capture of Scene-Situated Full-Body Human-Object Interaction
• Title（参考訳）: SituHOI: シーン定位フルボディオブジェクトインタラクションのスケーラブルなキャプチャ
• Abstract要約: SituHOIは大規模なRGB-Dデータセットで、16室に18,429本の注釈付きクリップが含まれている。 単一の動くRGB-Dカメラからの録音と、静的なシーンスキャン、オブジェクト幾何学、言語記述、推定された人間とオブジェクトの軌跡をペアリングする。 これらのデータは、目標条件付き共同動作予測ベンチマークであるFlexHOI-Benchをサポートする。
• 参考スコア（独自算出の注目度）: 44.88259265820753
• License:
• Abstract: Modeling human-object interaction (HOI) in real environments requires jointly representing whole-body motion, manipulated objects, and scene geometry, yet existing datasets trade off scalable capture against structured, scene-aligned supervision. We introduce SituHOI, a large-scale RGB-D dataset containing 18,429 annotated clips across 16 indoor rooms and approximately 86 hours of quality-screened activity. It pairs recordings from a single moving RGB-D camera with static scene scans, object geometry, language descriptions, and estimated human and object trajectories. Using the scans as persistent references, our pipeline combines camera localization and depth-based metric alignment with human mesh recovery, object tracking, and temporal refinement to register all geometric annotations in a shared floor-aligned frame. These data support FlexHOI-Bench, a goal-conditioned joint motion prediction benchmark with variable observation and prediction durations. Given observed histories, scene and object geometry, and a terminal object pose, models predict future human and object motion. We provide SharedHOI as a reference predictor and evaluate world-space accuracy and human-object coordination. On a MoCap subset, our pipeline reduces human G-MPJPE from 195.4 to 68.3 mm and object translation error from 43.0 to 28.7 mm. SharedHOI leads four adapted baselines on all three aggregate FlexHOI-Bench metrics. Data will be released upon acceptance. An anonymized code repository is available at https://anonymous.4open.science/r/iclr2027-anonymous-code-1DFB.
• Abstract（参考訳）: 実際の環境での人間と物体の相互作用(HOI)をモデル化するには、全体の動き、操作されたオブジェクト、シーン幾何学を共同で表現する必要があるが、既存のデータセットは、構造化されたシーン整合性のある監視と、スケーラブルなキャプチャをトレードオフする。 SituHOIは大規模なRGB-Dデータセットで、室内16室に18,429本の注釈付きクリップと約86時間の品質画面付きアクティビティを含む。 単一の動くRGB-Dカメラからの録音と、静的なシーンスキャン、オブジェクト幾何学、言語記述、推定された人間とオブジェクトの軌跡をペアリングする。 スキャンを永続的な参照として使用することにより、カメラのローカライゼーションと深度に基づくメトリックアライメントを、人間のメッシュ回復、オブジェクトトラッキング、時間的改善と組み合わせて、すべての幾何学的アノテーションを共有フロア整列フレームに登録する。 これらのデータのサポートFlexHOI-Benchは、目標条件付き共同動作予測ベンチマークで、観測時間と予測期間が可変である。 観察された歴史、シーンとオブジェクトの幾何学、および終端オブジェクトのポーズから、モデルは将来の人間とオブジェクトの動きを予測する。 参照予測器としてSharedHOIを提供し,世界空間の精度と人物体の協調性を評価する。 MoCapサブセットでは、人間のG-MPJPEを195.4mmから68.3mmに、オブジェクト翻訳エラーを43.0mmから28.7mmに削減します。 SharedHOIはFlexHOI-Benchの合計3つの基準で4つの適応ベースラインをリードする。 データは受理後に公開される。 匿名コードリポジトリはhttps://anonymous.4open.science/r/iclr2027-anonymous-code-1DFBで公開されている。

関連論文リスト

• Towards Spatio-Temporal World Scene Graph Generation from Monocular Videos [17.190262848866396]
  本稿では,Action Genomeの映像をフィードフォワード3D再構成により4DシーンにアップグレードするデータセットであるActionGenome4Dを紹介する。 次に、各タイムスタンプでワールドシーングラフを構築するタスクであるワールドシーングラフ生成(WSGG)を定式化する。 我々は3つの補完的手法を提案し、それぞれが観測されていない物体について推論するための異なる帰納バイアスを探索する。
  論文  参考訳（メタデータ） (2026-03-13T17:18:03Z)
• Articulated 3D Scene Graphs for Open-World Mobile Manipulation [55.97942733699124]
  本報告では, セマンティックな3次元シーングラフを構築するためのフレームワークであるMoMa-SGについて述べる。 新たな統合的ツイスト推定法を用いて調音モデルを推定する。 また,Arti4D-Semanticデータセットについても紹介する。
  論文  参考訳（メタデータ） (2026-02-18T10:40:35Z)
• Semantic Segmentation and Scene Reconstruction of RGB-D Image Frames: An End-to-End Modular Pipeline for Robotic Applications [0.7951977175758216]
  従来のRGB-D処理パイプラインは主に幾何学的再構成に焦点を当てている。 セマンティックセグメンテーション、ヒューマントラッキング、ポイントクラウド融合、シーン再構築を統合した、新しいエンドツーエンドのモジュールパイプラインを導入する。 我々は、ベンチマークデータセットと現実世界のKinect RGB-Dデータにアプローチを検証し、効率、精度、ユーザビリティを改善した。
  論文  参考訳（メタデータ） (2024-10-23T16:01:31Z)
• Dense Hand-Object(HO) GraspNet with Full Grasping Taxonomy and Dynamics [43.30868393851785]
  HOGraspNetは、3Dハンドオブジェクトインタラクションのためのトレーニングデータセットである。 データセットには、10歳から74歳の99人の被験者のさまざまな手形が含まれている。 3Dハンドとオブジェクトメッシュ,3Dキーポイント,コンタクトマップ,Emphgraspラベルのラベルを提供する。
  論文  参考訳（メタデータ） (2024-09-06T05:49:38Z)
• Full-Body Articulated Human-Object Interaction [61.01135739641217]
  CHAIRSは16.2時間の多目的相互作用からなる大規模な動きキャプチャーされたf-AHOIデータセットである。 CHAIRSは、対話的なプロセス全体を通して、人間と明瞭なオブジェクトの両方の3Dメッシュを提供する。 HOIにおける幾何学的関係を学習することにより,人間のポーズ推定を利用した最初のモデルが考案された。
  論文  参考訳（メタデータ） (2022-12-20T19:50:54Z)
• D3D-HOI: Dynamic 3D Human-Object Interactions from Videos [49.38319295373466]
  本稿では,D3D-HOIについて紹介する。D3D-HOIは3次元オブジェクトのポーズ,形状,動きを,人間と物体の相互作用の時,地上の真理アノテーションを付加したモノクロビデオのデータセットである。 我々のデータセットは、様々な現実世界のシーンとカメラの視点から捉えた、いくつかの共通したオブジェクトで構成されている。 我々は、推定された3次元人間のポーズを利用して、物体の空間的レイアウトとダイナミクスをより正確に推定する。
  論文  参考訳（メタデータ） (2021-08-19T00:49:01Z)

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。