論文の概要: Radar-Based 3D Human Pose Estimation via Motion-Aware Pose Initialization and Observation-Guided Refinement

• arxiv url: http://arxiv.org/abs/2610.27774v1
• Date: Tue, 20 Oct 2026 07:38:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.700676
• Title: Radar-Based 3D Human Pose Estimation via Motion-Aware Pose Initialization and Observation-Guided Refinement
• Title（参考訳）: 運動認識型初期化と観察誘導型微細化によるレーダによる3次元人物位置推定
• Abstract要約: 3Dヒューマンポース推定は、スマートホームなどの屋内環境において、人間の動きを分析し、人間の状態を監視するために用いられる。 レーダー観測は、特定の身体部分についての不十分な情報を提供するか、または複数の身体部分からの重なり合う反射を含む。 本稿では,初期化・再分極化フレームワーク(I2R-Pose)を提案する。 I2R-PoseはMVDoppler-Poseで平均結合位置誤差(MPJPE)を39.50%、RaMoS-Poseで15.13%低減する
• 参考スコア（独自算出の注目度）: 2.9652257435018665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Human Pose Estimation (3D HPE) is used in indoor environments, such as smart homes, to analyze human movement and monitor human states. Millimeter-wave (mmWave) radar is suitable for this task because it is robust to lighting variations and does not capture images of human appearance. However, radar observations often provide insufficient information about certain body parts or contain overlapping reflections from multiple body parts, limiting accurate 3D joint localization. To address these limitations, we propose the Initialization-to-Refinement Pose Framework (I2R-Pose), comprising two stages: Motion-Aware Pose Initialization and Observation-Guided Refinement. In the first stage, joint-wise features are learned by incorporating temporal relationships across consecutive radar observations and human skeletal structure to compensate for insufficient joint information and estimate an initial 3D pose sequence. In the second stage, separately extracted radar observation features predict joint-wise positional corrections that refine the initial pose and generate the final pose sequence. The framework supports individual and fused inputs of time-Doppler/time-range (TD/TR) maps and radar point clouds (PCs). To evaluate performance across indoor activities, we construct the Radar Motion and Spatial Information for 3D Human Pose Estimation (RaMoS-Pose) dataset, providing synchronized TD/TR maps, radar PCs, and 3D joint ground truth (GT). Evaluations on RaMoS-Pose and the publicly available MVDoppler-Pose dataset show that I2R-Pose reduces mean per-joint position error (MPJPE) by 39.50% on MVDoppler-Pose and by 15.13% on RaMoS-Pose with fused inputs, compared with the best-performing existing methods evaluated on each dataset.
• Abstract（参考訳）: 3Dヒューマンポース推定(3D HPE)は、スマートホームなどの屋内環境において、人間の動きを分析し、人間の状態を監視するために用いられる。 ミリ波レーダ(mmWave)は、照明の変動に頑健であり、人間の外見のイメージを捉えないため、この課題に適している。 しかしながら、レーダー観測は、特定の身体部分についての不十分な情報を提供するか、複数の身体部分からの重なり合う反射を含むことがあり、正確な3次元関節の局在を制限する。 これらの制約に対処するため,動作対応型初期化と観測誘導型再分極の2段階からなる初期化・再分極型フレームワーク (I2R-Pose) を提案する。 第1段階では、連続するレーダー観測と人間の骨格構造に時間的関係を組み込むことで、関節情報不足を補い、初期3次元ポーズシーケンスを推定することにより、関節機能について学習する。 第2段階では、別々に抽出されたレーダー観測特徴により、初期ポーズを洗練させ、最終ポーズシーケンスを生成する共同位置補正が予測される。 このフレームワークは、タイムドップラー/タイムレンジ(TD/TR)マップとレーダポイントクラウド(PC)の個別および融合入力をサポートする。 本研究では,3次元人物位置推定(RaMoS-Pose)データセットのためのレーダモーションと空間情報を構築し,TD/TRマップ,レーダPC,および3次元共同地下真実(GT)を同期的に提供する。 RaMoS-Pose と MVDoppler-Pose データセットの評価によれば、I2R-Pose は MVDoppler-Pose において平均結合位置誤差 (MPJPE) を 39.50% 削減し、RaMoS-Pose では15.13% 削減した。

関連論文リスト

• NAP3D: NeRF Assisted 3D-3D Pose Alignment for Autonomous Vehicles [1.1168121941015012]
  この研究は、エージェントの現在の深度画像と事前訓練されたニューラルレージアンスフィールド(NeRF)の3D-3D対応を利用する補完的アプローチである、NeRF-Assisted 3D Pose Alignment (NAP3D)を導入している。 NAP3Dは、これまで観測された場所を再考することに頼ることなく、新しい視点からでも推定されたポーズを洗練させる。 実験により、NAP3Dはカスタムデータセット上で5cm以内のカメラポーズ補正を達成し、2D-3D Perspective-N-Pointベースラインを頑健に上回っている。
  論文  参考訳（メタデータ） (2025-12-17T04:56:38Z)
• Motion Aware ViT-based Framework for Monocular 6-DoF Spacecraft Pose Estimation [14.875896480287631]
  6-DoFのポーズ推定は、複数の宇宙船のミッションにおいて重要な役割を果たす。 既存のポーズ推定アプローチのほとんどは、静的なキーポイントローカライゼーションを持つ単一イメージに依存している。 人間のポーズ推定から宇宙船ポーズ推定への深層学習の枠組みを適用する。
  論文  参考訳（メタデータ） (2025-09-07T10:15:55Z)
• Bring Your Rear Cameras for Egocentric 3D Human Pose Estimation [69.68568832269285]
  ヘッドマウントデバイス(HMD)の前に設置したカメラを用いて,エゴセントリックな3次元ポーズ推定を積極的に研究している。 自己閉塞性や視野範囲の制限により、フルボディトラッキングが同じであるかどうかは不明だ。 マルチビュー情報と熱マップの不確実性を用いて2次元関節熱マップ推定を改良するトランスフォーマーに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-03-14T17:59:54Z)
• RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
  暗い照明や悪天候はカメラの性能を低下させる。 レーダーは騒音と位置のあいまいさに悩まされる。 本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
  論文  参考訳（メタデータ） (2025-02-18T17:17:38Z)
• GET-UP: GEomeTric-aware Depth Estimation with Radar Points UPsampling [7.90238039959534]
  既存のアルゴリズムは3Dポイントを画像面に投影してレーダデータを処理し、画素レベルの特徴抽出を行う。 レーダデータから2次元情報と3次元情報を交換・集約するために,注目度の高いグラフニューラルネットワーク(GNN)を利用するGET-UPを提案する。 提案したGET-UPをnuScenesデータセット上でベンチマークし,従来最高のパフォーマンスモデルよりも15.3%,14.7%改善した。
  論文  参考訳（メタデータ） (2024-09-02T14:15:09Z)
• RT-Pose: A 4D Radar Tensor-based 3D Human Pose Estimation and Localization Benchmark [20.186044032530557]
  本稿では,Radarベースのヒューマンポーズ(RT-Pose)データセットとオープンソースのベンチマークフレームワークを提案する。 RT-Poseデータセットは、4Dレーダテンソル、LiDARポイントクラウド、RGBイメージで構成されており、6つの複雑さレベルアクションを持つ240のシーケンスにわたる合計72kフレームに対して収集される。 RGB画像とLiDAR点雲を用いて3次元人間の骨格を正確にラベル付けするアノテーションプロセスを開発する。 さらに,3次元空間における4次元レーダーテンソルの高分解能表現を抽出し,人間のキーポイント推定を支援する最初の単一ステージアーキテクチャであるHRRadarPoseを提案する。
  論文  参考訳（メタデータ） (2024-07-18T22:46:35Z)
• UPose3D: Uncertainty-Aware 3D Human Pose Estimation with Cross-View and Temporal Cues [55.69339788566899]
  UPose3Dは多視点人間のポーズ推定のための新しいアプローチである。 直接的な3Dアノテーションを必要とせずに、堅牢性と柔軟性を向上させる。
  論文  参考訳（メタデータ） (2024-04-23T00:18:00Z)
• HuPR: A Benchmark for Human Pose Estimation Using Millimeter Wave Radar [30.51398364813315]
  本稿では,ミリ波レーダを用いた人間のポーズ推定ベンチマーク「Human Pose with Millimeter Wave Radar (HuPR)」を紹介する。 このデータセットは、レーダに基づく人間のポーズ推定のクロスモダリティトレーニングのために、クロスキャリブレーションされたmmWaveレーダセンサとモノクラーRGBカメラを用いて作成される。
  論文  参考訳（メタデータ） (2022-10-22T22:28:40Z)

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。