論文の概要: Real Time Motion Detection in Video Inspired by Photonic Time Stretch

• arxiv url: http://arxiv.org/abs/2610.33351v1
• Date: Fri, 23 Oct 2026 22:39:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.307217
• Title: Real Time Motion Detection in Video Inspired by Photonic Time Stretch
• Title（参考訳）: フォトニック時間ストレッチによる映像のリアルタイム動き検出
• Abstract要約: 物理に着想を得たアルゴリズムであるMoViD(仮想分散と位相検出による運動推定)を導入する。 MoViDは、動画をピクセルに関連する光時系列波形の集合として扱う。 フル解像度のモーションマッピングをリアルタイムで提供し、4K解像度で毎秒200フレーム、毎秒70フレームで8K動画を撮影できる。
• 参考スコア（独自算出の注目度）: 3.5684665108045377
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motion perception is fundamental to computer vision and physical AI, and plays a central role in robotics, autonomous vehicles, human-computer interaction, and video compression. Traditional approaches such as background subtraction, frame-differencing and optical flow algorithms often struggle in complex or dynamic scenes, typically sacrificing spatial resolution for computational tractability. Here we introduce MoViD (Motion estimation via Virtual dispersion and phase Detection), a physics-inspired algorithm grounded in the principles that govern photonic time stretch - a highly successful ultrafast realtime data acquisition platform. Drawing inspiration from the optical physics therein, MoViD treats video as a collection of optical time series waveforms associated with pixels. Motion of an object through a pixel broadens the time series spectrum and, after group delay dispersion, induces a temporal phase that exists only if there is motion. Spatiotemporal group delay dispersion templates, corresponding to dielectric functions, classify specific motion trajectories. Unlike conventional empirical phase-based motion-analysis pipelines that require narrow-band spatial channelization and pyramid reconstruction, the physics-based MoViD operates directly on the broadband video signal, vastly increasing its computational speed. The resulting algorithm achieves unprecedented performance in both motion characterization and motion magnification, providing full-resolution motion mapping in real time at nearly 200 frames per second at 4K resolution and 70 frames per second for 8K video - orders of magnitude faster than classical optical flow approaches or learning-based methods. Notably, such extreme performance enables real time motion analysis at ultrahigh resolution for motion detection and compensation in robotics and other autonomous devices.
• Abstract（参考訳）: 運動知覚はコンピュータビジョンと物理AIの基本であり、ロボット工学、自動運転車、人間とコンピュータの相互作用、ビデオ圧縮において中心的な役割を果たす。 バックグラウンドサブトラクション、フレームディファクション、光学フローアルゴリズムといった従来のアプローチは、複雑なシーンやダイナミックなシーンでしばしば苦労し、通常は計算的トラクタビリティのために空間分解能を犠牲にしている。 本稿では,超高速リアルタイムデータ取得プラットフォームであるMoViD(Motion Estimation via Virtualvariance and phase Detection, 仮想分散と位相検出による運動推定)を紹介する。 光物理からインスピレーションを得たMoViDは、動画をピクセルに関連する光時系列波形の集合として扱う。 画素による物体の運動は時系列スペクトルを広げ、群遅延分散の後、運動が存在する場合にのみ存在する時間位相を誘導する。 誘電関数に対応する時空間群遅延分散テンプレートは、特定の運動軌跡を分類する。 狭帯域の空間チャネル化とピラミッド再構成を必要とする従来の経験的な位相ベースのモーション分析パイプラインとは異なり、物理ベースのMoViDはブロードバンドビデオ信号を直接操作し、計算速度を大幅に向上させる。 このアルゴリズムは、モーションキャラクタリゼーションとモーション倍率の両方において前例のない性能を実現し、4K解像度では毎秒200フレーム、8Kビデオでは70フレームでリアルタイムにフル解像度のモーションマッピングを提供する。 特に、このような極端なパフォーマンスは、ロボット工学や他の自律装置における動きの検出と補償のための超高解像度のリアルタイムモーション分析を可能にする。

関連論文リスト

• Motion Marionette: Rethinking Rigid Motion Transfer via Prior Guidance [26.642143303176997]
  Motion Marionetteは、モノクルソースビデオからシングルビューターゲット画像への厳格なモーション転送のためのフレームワークである。 動画から動き軌跡を抽出して空間時間(SpaT)を予め構築する。 結果の速度場は、効率的なビデオ制作に柔軟に利用することができる。
  論文  参考訳（メタデータ） (2025-11-25T04:34:42Z)
• MIORe & VAR-MIORe: Benchmarks to Push the Boundaries of Restoration [53.180212987726556]
  動作回復ベンチマークの限界に対処する2つの新しいマルチタスクデータセットであるMIOReとVAR-MIOReを紹介する。 私たちのデータセットは、複雑なエゴカメラの動き、動的マルチオブジェクト相互作用、深さ依存のぼかし効果など、幅広い動きシナリオを捉えています。
  論文  参考訳（メタデータ） (2025-09-08T15:34:31Z)
• Follow-Your-Motion: Video Motion Transfer via Efficient Spatial-Temporal Decoupled Finetuning [50.4776422843776]
  Follow-Your-Motionは、効率的な2段階ビデオモーション転送フレームワークである。 本稿では,空間的外観と時間的動き処理のための注意構造を分離する空間的時間的疎結合LoRAを提案する。 第2のトレーニング段階では、調整速度を高速化するためにスパース動作サンプリングと適応RoPEを設計する。
  論文  参考訳（メタデータ） (2025-06-05T16:18:32Z)
• Physics-Guided Motion Loss for Video Generation Model [8.083315267770255]
  現在のビデオ拡散モデルは視覚的に魅力的なコンテンツを生成するが、物理の基本法則に反することが多い。 モデルアーキテクチャを変更することなく、動きの可視性を向上する周波数領域物理を導入する。
  論文  参考訳（メタデータ） (2025-06-02T20:42:54Z)
• Neuromorphic spatiotemporal optical flow: Enabling ultrafast visual perception beyond human capabilities [12.409087198219693]
  シナプストランジスタアレイに時間情報を直接符号化することで遅延ボトルネックに対処するニューロモルフィック光フロー手法を提案する。 従来の空間限定光流法と比較して,動作情報の時空間整合性を提供する。 ソフトウェアベンチマークでは、我々のシステムは400%のスピードアップで最先端のアルゴリズムより優れています。
  論文  参考訳（メタデータ） (2024-09-10T10:59:32Z)
• Spectral Motion Alignment for Video Motion Transfer using Diffusion Models [54.32923808964701]
  スペクトル運動アライメント(英: Spectral Motion Alignment、SMA)は、フーリエ変換とウェーブレット変換を用いて運動ベクトルを洗練・整列するフレームワークである。 SMAは周波数領域の正規化を取り入れて動きパターンを学習し、全体フレームのグローバルな動きのダイナミクスの学習を容易にする。 大規模な実験は、様々なビデオカスタマイズフレームワーク間の計算効率と互換性を維持しながら、モーション転送を改善するSMAの有効性を示す。
  論文  参考訳（メタデータ） (2024-03-22T14:47:18Z)
• Motion-aware Dynamic Graph Neural Network for Video Compressive Sensing [14.67994875448175]
  ビデオスナップショットイメージング(SCI)は、2D検出器を使用してシーケンシャルなビデオフレームをキャプチャし、それらを1つの測定値に圧縮する。 既存の再建手法の多くは、長距離空間および時間的依存関係を効率的に捉えることができない。 グラフニューラルネットワーク(GNN)に基づくフレキシブルでロバストなアプローチを提案し,距離に関わらず,空間と時間における画素間の非局所的相互作用を効率的にモデル化する。
  論文  参考訳（メタデータ） (2022-03-01T12:13:46Z)
• Motion-from-Blur: 3D Shape and Motion Estimation of Motion-blurred Objects in Videos [115.71874459429381]
  本研究では,映像から3次元の運動,3次元の形状,および高度に動きやすい物体の外観を同時推定する手法を提案する。 提案手法は, 高速移動物体の劣化と3次元再構成において, 従来の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-29T11:25:14Z)
• PAN: Towards Fast Action Recognition via Learning Persistence of Appearance [60.75488333935592]
  最先端のほとんどの手法は、動きの表現として密度の高い光の流れに大きく依存している。 本稿では,光学的フローに依存することで,高速な動作認識に光を当てる。 我々はPersistence of Outearance(PA)と呼ばれる新しい動きキューを設計する。 光学的流れとは対照的に,我々のPAは境界における運動情報の蒸留に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-08T07:09:54Z)

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。