論文の概要: MoRE: Motion-Regularized Encoding for Articulated 3D Generation
- arxiv url: http://arxiv.org/abs/2610.30337v2
- Date: Mon, 26 Oct 2026 06:46:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.158133
- Title: MoRE: Motion-Regularized Encoding for Articulated 3D Generation
- Title（参考訳）: MoRE:Articulated 3D Generationのためのモーションレギュラー化エンコーディング
- Abstract要約: MoREは、軸分類と2つの軸直交カーモーメント係数を持つ座標整列継手ラインを表す。
表現学習では、デコードされた関節仮説を用いて対応する3次元アンカーを移動させる。
PartNet-MobilityとACDの実験では、比較ベースラインよりもパートボックスの整合性、調音状態形状、視覚的類似性が向上した。
- 参考スコア（独自算出の注目度）: 1.838598580022197
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generating an articulated object from a single image requires recovering both its appearance and the mechanism governing its parts. A compact encoding of joint attributes does not by itself ensure that reconstruction preserves the resulting motion. We present MoRE, Motion-Regularized Encoding for articulated 3D generation. MoRE represents coordinate-aligned joint lines with axis classification and two axis-orthogonal Plücker moment coefficients, removing the arbitrary choice of an origin along the axis. During representation learning, decoded joint hypotheses are used to move corresponding three-dimensional anchors, and their motions are compared with those of annotated joints. A differentiable expectation over joint types and axis directions couples attribute reconstruction to the motion it induces. An image-conditioned flow learns the resulting functional latents, while a multi-state-adapted Gaussian model supplies appearance. At inference, recovered part assignments and joints articulate a single set of rest-pose Gaussians without regenerating the object for each state. Experiments on PartNet-Mobility and ACD show stronger part-box agreement, articulated-state geometry and visual similarity than the compared baselines, while joint prediction reduces axis, origin and range errors relative to ArtiLatent. Controlled ablations support the joint-line encoding and show that motion supervision reduces anchor-motion error. Code and pretrained checkpoints will be released in the future.
- Abstract（参考訳）: 単一の画像から明瞭なオブジェクトを生成するには、その外観と、その部分を管理するメカニズムの両方を回復する必要がある。
関節属性のコンパクトな符号化はそれ自体は、再構成が結果として生じる動きを保存することを保証しない。
我々は,3次元音声生成のためのMoRE,Motion-Regularized Encodingを提案する。
MoREは軸分類と2つの軸直交プリュッカーモーメント係数を持つ座標整列結合線を表し、軸に沿った原点の任意の選択を除去する。
表現学習中、デコードされた関節仮説を用いて対応する3次元アンカーを移動させ、それらの動きを注釈付き関節と比較する。
関節のタイプや軸方向に対する異なる期待は、それが引き起こす動きに反する。
画像条件付きフローは、結果として生じる機能的潜伏子を学習し、多状態適応ガウスモデルは外観を提供する。
推測において、復元された部分代入と関節は、各状態のオブジェクトを再生することなく、一組の静止したガウス的集合を明示する。
PartNet-Mobility と ACD の実験では,ArtiLatent と比較した軸,起点,範囲誤差が減少するのに対し,パートボックスの整合性,調音状態形状,視覚的類似性が比較された。
制御されたアブレーションはジョイントラインエンコーディングをサポートし、モーションインスペクションがアンカーモーションエラーを低減することを示す。
コードと事前訓練されたチェックポイントは将来的にリリースされる予定だ。
関連論文リスト
- A Spiking Ring-Attractor Architecture for Representation and Control of Revolute Robot Joints [73.9912168934616]
本稿では,リングアトラクタが結合状態を符号化するスパイキング型ニューラルコントロールアーキテクチャを提案する。
ホメオスタティック・レギュレーションは、これらの分散表現に対してゴール状態のミスマッチを直接計算する。
バンプダイナミクスはSO(2)幾何に従っており、アシンメトリーを得ると環上の符号付き位相速度が誘導されることを示す。
論文 参考訳（メタデータ） (2026-10-19T08:50:42Z) - ArticulateArena: A Metric for Articulated Kinematics [56.23391152623764]
ArticulateArenaは、調音のためのチャンファー距離の表現不変である。
これは、それを符号化するパラメータではなく、1-DOF関節の運動を比較する。
ArticulateArena-20Kは19,977個の調音されたオブジェクトからなる新しいスイートで、キネマティクスを検証する。
論文 参考訳（メタデータ） (2026-09-27T21:19:22Z) - USR-Drive: Unified Driving Scene Representation via Joint Denoising of 3D Gaussians and Boxes [57.4583999658488]
自律運転のための空間表現学習は、生の視覚信号を構造化された3次元シーン表現にマッピングすることを目的としている。
既存の方法は動的再構成とインスタンスレベルの認識を別々のタスクとして扱う。
共有シーン表現における高密度な動的幾何とインスタンスレベルのオブジェクトレイアウトを復元する統一条件生成フレームワークUSR-Driveを提案する。
論文 参考訳（メタデータ） (2026-08-19T15:29:06Z) - MoCapAnything V2: End-to-End Motion Capture for Arbitrary Skeletons [56.68975315643491]
本稿では,ビデオ・ツー・ローテーションとビデオ・ツー・ローテーションを共同で学習し,最適化する,最初のエンドツーエンドフレームワークを提案する。
本手法は, メッシュベースパイプラインの20倍の速度で, 回転誤差を17度から10度, 見えない骨格では6.54度に低減する。
論文 参考訳（メタデータ） (2026-04-30T17:16:38Z) - AG-EgoPose: Leveraging Action-Guided Motion and Kinematic Joint Encoding for Egocentric 3D Pose Estimation [11.399976049695212]
AG-EgoPoseは、短距離と長距離の動作コンテキストときめ細かい空間的手がかりを統合して、ロバストなポーズ推定を行う新しいデュアルストリームフレームワークである。
空間ストリームは、重量共有型ResNet-18エンコーダデコーダを用いて、2次元ジョイントヒートマップを生成する。
時間ストリームはResNet-50バックボーンを使用して視覚的特徴を抽出し、アクション認識バックボーンによって処理され、モーションダイナミクスをキャプチャする。
論文 参考訳（メタデータ） (2026-03-26T08:46:51Z) - Joint Geometry-Appearance Human Reconstruction in a Unified Latent Space via Bridge Diffusion [57.09673862519791]
本稿では,幾何学と外観のモデリングを結合潜在表現に統一する新しいフレームワークである textbfJGA-LBD を紹介する。
実験により、JGA-LBDは、幾何学的忠実度と外観品質の両方の観点から、現在の最先端アプローチよりも優れていることが示された。
論文 参考訳（メタデータ） (2026-01-01T12:48:56Z) - PoseGRAF: Geometric-Reinforced Adaptive Fusion for Monocular 3D Human Pose Estimation [5.223657684081615]
既存の単眼的な3次元ポーズ推定法は, 骨格の内在方向と角方向の相関性を見越しながら, 関節位置の特徴に依存している。
これらの課題に対処するためのPoseGRAFフレームワークを提案する。
Human3.6M と MPI-INF-3DHP のデータセットによる実験結果から,本手法が最先端の手法を超えることが示された。
論文 参考訳（メタデータ） (2025-06-17T14:59:56Z) - Spatio-temporal MLP-graph network for 3D human pose estimation [8.267311047244881]
グラフ畳み込みネットワークとその変種は3次元人間のポーズ推定において大きな可能性を示している。
暗黙の伝搬フェアリングを用いたグラフフィルタリングにより得られる新しい重み付きヤコビ特徴則を導入する。
また, 関節間の関係を学習するために, 隣接変調を用いた。
論文 参考訳（メタデータ） (2023-08-29T14:00:55Z) - GATOR: Graph-Aware Transformer with Motion-Disentangled Regression for
Human Mesh Recovery from a 2D Pose [15.699524854176644]
2Dポーズからの3Dヒューマンメッシュのリカバリは、さまざまなアプリケーションにおいて重要な役割を果たす。
既存の手法では、スケルトンからメッシュへの進化において、複数の関係を同時に捉えることは困難である。
本稿では,グラフ認識変換器(GAT)のエンコーダと,MDR(Motion-Disentangled Regression)を用いたデコーダを含むGATORと呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2023-03-10T02:08:01Z) - A Dual-Masked Auto-Encoder for Robust Motion Capture with
Spatial-Temporal Skeletal Token Completion [13.88656793940129]
本稿では, 3次元関節を再構成し, 個々の関節を識別するための適応的, アイデンティティを意識した三角測量モジュールを提案する。
次に,D-MAE(Dual-Masked Auto-Encoder)を提案する。
重大なデータ損失シナリオを扱う上で提案するモデルの能力を実証するために,高精度で挑戦的なモーションキャプチャデータセットに貢献する。
論文 参考訳（メタデータ） (2022-07-15T10:00:43Z) - MotioNet: 3D Human Motion Reconstruction from Monocular Video with
Skeleton Consistency [72.82534577726334]
モノクロビデオから3次元人間の骨格の動きを直接再構成するディープニューラルネットワークであるMotioNetを紹介した。
本手法は,動作表現を完全かつ一般的に使用するキネマティックスケルトンを直接出力する最初のデータ駆動型手法である。
論文 参考訳（メタデータ） (2020-06-22T08:50:09Z)
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。