論文の概要: PCHMR: Empowering and Benchmarking Human Mesh Recovery in Privacy-Constrained Real-World Settings

• arxiv url: http://arxiv.org/abs/2610.24841v1
• Date: Sat, 17 Oct 2026 19:46:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 15:50:43.539237
• Title: PCHMR: Empowering and Benchmarking Human Mesh Recovery in Privacy-Constrained Real-World Settings
• Title（参考訳）: PCHMR:プライバシに制約のあるリアルタイム設定におけるヒューマンメッシュ回復の強化とベンチマーク
• Abstract要約: ユーザ側のデータを直接微調整することは、データ駆動型ヒューマンメッシュリカバリ(HMR)モデルの性能向上に有効な方法である。 既存のHMRメソッドでは、現実のHMRデプロイされたデバイスから中央のトレーニングサーバにユーザーサイドデータを集約することが多く、プライバシー上の重大なリスクが生じる。 我々は,最新のHMRモデルにフェデレーション学習とセキュアな凝集変種を適用したベンチマークを用いて,この問題を考察する。
• 参考スコア（独自算出の注目度）: 51.747699389015814
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fine-tuning directly on user-side data is an effective way to improve the performance of widely adopted data-driven human mesh recovery (HMR) models. However, doing so for existing HMR methods often assumes aggregating user-side data from real-world HMR-deployed devices to a central training server, posing a significant privacy risk as sensitive human images are transmitted. How can human mesh recovery be evaluated and improved in privacy-constrained real-world settings? We study this question through a benchmark in which state-of-the-art HMR models are trained with federated learning and a secure-aggregation variant, neither of which centralizes raw images, and evaluated across a wide range of client-scale and data-heterogeneity settings. We document that common HMR training pipelines are built around centralized data access and quantify how representative HMR backbones behave when that assumption is removed. Furthermore, to study the data bottleneck of privacy-constrained HMR training, we propose DePoser, a local annotation and fine-tuning pipeline enhanced with depth foundation models, with which collaboratively trained HMR models can be locally tailored to the end user's distribution. On in-the-wild data, fine-tuning on DePoser annotations improves personalization accuracy, measured against DePoser-generated pseudo-ground truth. This benchmark aims to support future work on privacy-constrained HMR models and their real-world deployment and evaluation.
• Abstract（参考訳）: ユーザ側のデータを直接微調整することは、広く採用されているデータ駆動型ヒューマンメッシュリカバリ(HMR)モデルの性能を改善する効果的な方法である。 しかし、既存のHMR手法では、現実世界のHMRデプロイされたデバイスから中央のトレーニングサーバにユーザー側データを集約し、機密性の高い人間の画像が送信されると、重大なプライバシー上のリスクが生じることがしばしばある。 プライバシに制約された現実世界の設定において、ヒューマンメッシュの回復をどのように評価し、改善するか? 本研究では,最先端のHMRモデルにフェデレーション学習とセキュアな凝集変種を併用したベンチマークを用いて検討を行い,いずれも原画像の集中化を行なわず,クライアントスケールおよびデータヘテロジニティ設定の幅広い範囲で評価を行った。 一般的なHMRトレーニングパイプラインは、集中型データアクセスを中心に構築されており、その仮定が削除されたときに、代表的HMRバックボーンがどのように振る舞うかを定量化します。 さらに、プライバシーに制約のあるHMRトレーニングのデータボトルネックを研究するために、DePoserを提案する。DePoserは、Deep foundationモデルで強化されたローカルアノテーションと微調整パイプラインで、協調的にトレーニングされたHMRモデルをエンドユーザの配布に合わせてローカルに調整することができる。 アプリ内データでは、DePoserアノテーションの微調整によりパーソナライズ精度が向上し、DePoserが生成した擬似地下真実に対して測定される。 このベンチマークは、プライバシーに制約のあるHMRモデルと実際のデプロイメントと評価に関する将来の作業をサポートすることを目的としている。

関連論文リスト

• Classification Under Local Differential Privacy with Model Reversal and Model Averaging [5.178896452202825]
  ローカルディファレンシャルプライバシ(LDP)は、データプライバシ研究において中心的なトピックとなっている。 プライバシーを損なうことなく分類性能を向上させるために, LDP に特化して設計された新しい手法を提案する。 シミュレーションと実世界の両方のデータセットの実証結果は、分類精度を大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2026-02-05T15:52:34Z)
• Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
  パラメータを好みに置き換えることは、よりスケーラブルでプライバシに保護される未来を表している、と私たちは主張する。 ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを用いた協調アライメントフレームワークであるMoRを提案する。 MoRは、一般化、堅牢性、およびクロスクライアント適応性において、連邦化されたアライメントベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-01-31T03:11:51Z)
• 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)
• SoliReward: Mitigating Susceptibility to Reward Hacking and Annotation Noise in Video Generation Reward Models [53.19726629537694]
  ビデオ生成モデルと人間の好みのトレーニング後のアライメントは、重要な目標である。 現在のデータ収集パラダイムは、プロンプト内のペアワイズアノテーションに依存しており、ノイズのラベル付けに悩まされている。 ビデオRMトレーニングのための体系的フレームワークであるSoliRewardを提案する。
  論文  参考訳（メタデータ） (2025-12-17T14:28:23Z)
• Enhancing Federated Survival Analysis through Peer-Driven Client Reputation in Healthcare [1.2289361708127877]
  Federated Learningは、患者のデータのプライバシを損なうことなく、協調的なモデルトレーニングを可能にすることで、デジタルヘルスを大いに約束する。 本稿では、分散化されたピアフィードバックとクラスタリングに基づくノイズハンドリングを統合した、フェデレーション型医療のためのピア駆動評価機構を提案する。 クライアント側のモデル更新に差分プライバシを適用することで、評判計算中に機密情報が保護されることが保証される。
  論文  参考訳（メタデータ） (2025-05-22T03:49:51Z)
• ADHMR: Aligning Diffusion-based Human Mesh Recovery via Direct Preference Optimization [51.904899019761594]
  本稿では、拡散に基づくHMRモデルを好みの最適化方法でアライメントするADHMRを提案する。 まず、人間のメッシュ予測モデルであるHMR-Scorerを訓練し、3Dアノテーションを使わずに、Wild画像であっても予測を評価する。 次に、HMR-Scorerを使用して好みのデータセットを作成し、各入力画像は勝者と敗者メッシュ予測のペアを持つ。
  論文  参考訳（メタデータ） (2025-05-15T13:04:51Z)
• Rendering-Refined Stable Diffusion for Privacy Compliant Synthetic Data [38.55332589482467]
  RefSDは3DレンダリングとStable Diffusionを組み合わせたパイプラインである。 姿勢を保たない標準拡散モデルやリアリズムを欠いたGANとは異なり、RefSDは姿勢、リアリズム、カスタマイズのバランスをとる。 HumanGenAIは、人間の知覚と実用性評価のためのフレームワークである。
  論文  参考訳（メタデータ） (2024-12-09T06:47:29Z)

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。