論文の概要: Modeling Uncertainty Propagation in 3D Morphable Models

• arxiv url: http://arxiv.org/abs/2610.24646v1
• Date: Sat, 17 Oct 2026 11:48:00 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:06:56.362764
• Title: Modeling Uncertainty Propagation in 3D Morphable Models
• Title（参考訳）: 三次元形態素モデルにおける不確かさ伝播のモデル化
• Abstract要約: 本研究では,3次元形態素モデルのパラメータ空間の分散を頂点ごとの分散にマッピングする問題について検討する。 我々はこの制限を閉形式局所不確実性推定で解決する。 CLUEは3DMMのパラメータ空間分布を閉形式近似により頂点ごとに変換する。
• 参考スコア（独自算出の注目度）: 93.10045817677042
• License:
• Abstract: We study the problem of mapping parameter-space variance of a 3D Morphable Model (3DMM) to per-vertex variance. Traditionally, per-vertex variance has been used to visually interpret the learnt parameter uncertainty. However, mapping parameter-space variance to per-vertex using sampling or error propagation is computationally expensive. We address this limitation with Closed-form Local Uncertainty Estimation (CLUE), which transforms the parameter-space distribution of 3DMMs to per-vertex through a closed-form approximation. CLUE emerges from applying the law of total variance to the 3DMM formulation and is modular, computationally inexpensive, and accurate. Subsequently, we study integrating CLUE for in-the-wild human mesh recovery training and inference. We note that CLUE uses the geometry of the mesh as an inductive bias when predicting the variance, leading to improved accuracy. Through extensive qualitative and quantitative experiments, we show that when used in training, CLUE (1) outpeforms probabilistic and deterministic baselines on metrics evaluating joints, mesh and uncertainty, and (2) has the highest uncertainty-to-error spearman correlation, with applications including data mining and interpretable uncertainty. Finally, we share SAM 3D Body (CLUE) which augments the regressor with high resolution uncertainty maps. We make our code available at https://github.com/vita-epfl/CLUE
• Abstract（参考訳）: 本研究では,3次元モルファブルモデル(3DMM)のパラメータ空間分散を頂点ごとの分散にマッピングする問題について検討する。 伝統的に、頂点ごとの分散は学習したパラメータの不確かさを視覚的に解釈するために用いられてきた。 しかし、サンプリングやエラー伝搬を用いた頂点ごとのパラメータ空間の分散の計算は高価である。 この制限は閉形式局所不確実性推定(CLUE)を用いて対処し、3DMMのパラメータ空間分布を閉形式近似により頂点ごとのパラメータ空間分布に変換する。 CLUEは3DMMの定式化に全分散の法則を適用することから生まれ、モジュラーであり、計算コストが低く、正確である。 その後,本研究では,人体メッシュ回復訓練と推論のためのCLUEの統合について検討した。 CLUEは、メッシュの幾何学を分散を予測する際の帰納バイアスとして使用し、精度を向上させることに留意する。 広範囲にわたる定性的・定量的実験により, CLUE(1)は, 関節, メッシュ, 不確実性を評価する指標において, 確率的・決定論的基準線を上回り, 2) データマイニング, 解釈可能な不確実性を含む高い不確実性とエラーのスピアマン相関を有することを示した。 最後に,高分解能不確実性マップを用いて回帰器を補強するSAM 3D Body (CLUE) を共有する。 コードはhttps://github.com/vita-epfl/CLUEで公開しています。

関連論文リスト

• Human Pose Estimation by Probabilistic Mixtures of Gaussian and Uniform Distributions [2.4493299476776778]
  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。
  論文  参考訳（メタデータ） (2026-10-08T18:12:32Z)
• Convolutional Surrogate for 3D Discrete Fracture-Matrix Tensor Upscaling [0.0]
  酸化3D領域から等価な水和伝導率テンソルKeqを予測する代理モデルを開発した。 3つのサロゲートはDFMシミュレーションによって生成されたデータに基づいて訓練され、それぞれ異なるフラクチャー-マトリクス伝導率のコントラストに対応する。 訓練されたモデルは、ほとんどのテストケースで0.22未満の正規化ルート平均二乗誤差で高い精度を達成する。
  論文  参考訳（メタデータ） (2026-01-19T23:53:58Z)
• Monocular 3D Lane Detection via Structure Uncertainty-Aware Network with Curve-Point Queries [17.532686042065702]
  MonoUncは、BEV(Bird's-eye view)のない3Dレーン検出器で、局所的な車線構造から得られるアレタリックな不確実性を明示的にモデル化する。 ONCE-3DLanesとOpenLaneデータセットの実験は、MonoUncが以前の最先端(SoTA)メソッドより優れていることを示した。
  論文  参考訳（メタデータ） (2025-11-17T07:01:10Z)
• Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [90.23688195918432]
  3次元分子生成は、薬物発見と物質科学に不可欠である。 既存のアプローチは、典型的には不変かつ同変なモジュラリティに対して別々のラテント空間を保持する。 我々は,3次元分子を潜在空間から潜在配列に圧縮するマルチモーダルVAEである textbfUAE-3D を提案する。
  論文  参考訳（メタデータ） (2025-03-19T08:56:13Z)
• DF2: Distribution-Free Decision-Focused Learning [30.288876294435294]
  決定中心学習(DFL)は,予測列最適化問題に対する強力なアプローチとして登場した。 DFLはモデル誤差、サンプル平均近似誤差、近似誤差の3つのボトルネックに直面している。 本稿では,この3つのボトルネックを緩和する決定自由学習手法であるDF2を提案する。
  論文  参考訳（メタデータ） (2023-08-11T00:44:46Z)
• Probabilistic 3D segmentation for aleatoric uncertainty quantification in full 3D medical data [7.615431940103322]
  正規化フローを付加した3次元確率的セグメンテーションフレームワークを開発した。 私たちは初めて、0.401の3D角形一般エネルギー距離(GED)と、高い0.468のハンガリー製の3D IoUを提示しました。
  論文  参考訳（メタデータ） (2023-05-01T17:19:20Z)
• A Model for Multi-View Residual Covariances based on Perspective Deformation [88.21738020902411]
  マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。 我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
  論文  参考訳（メタデータ） (2022-02-01T21:21:56Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Keep it Tighter -- A Story on Analytical Mean Embeddings [0.6445605125467574]
  カーネル技術は、データサイエンスにおいて最も人気があり柔軟なアプローチの一つである。 平均埋め込みは、最大平均不一致(MMD)と呼ばれる分岐測度をもたらす。 本稿では,基礎となる分布の1つの平均埋め込みが解析的に利用可能である場合のMDD推定の問題に焦点をあてる。
  論文  参考訳（メタデータ） (2021-10-15T21:29:27Z)
• Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
  Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
  論文  参考訳（メタデータ） (2021-07-08T15:19:36Z)

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。