論文の概要: SCR-Mamba: Skeleton-conditioned Mamba with cross-scale incremental refinement for efficient 3D human pose estimation
- arxiv url: http://arxiv.org/abs/2611.15526v1
- Date: Wed, 11 Nov 2026 14:14:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.167214
- Title: SCR-Mamba: Skeleton-conditioned Mamba with cross-scale incremental refinement for efficient 3D human pose estimation
- Title(参考訳): SCR-Mamba-Scholeton-conditioned Mamba with cross-scale incremental refinement for efficient 3D human pose Estimation
- Abstract要約: 本稿では,SCR-Mambaについて述べる。SCSM (Skeleton-Conditioned State Modeling) とCSIR (Cross-Scale Incremental Refinement) のコアである。
CSIRは、コンテンツ適応的なアグリゲーションを通じてマルチスケールのモーション表現を構築し、維持されたフレーム単位の特徴を徐々に洗練する。
SCR-Mamba-Lは7.72Mパラメータと15.10G MACを持つ36.8mm MPJPE (P1)を達成し、StructMamPose-Lの計算コストの1/7以下である。
- 参考スコア(独自算出の注目度): 5.409973873821049
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Mamba-based methods for video-based 3D human pose estimation can model long sequences with linear complexity, but their selective state updates usually lack direct exploitation of skeletal relations. Meanwhile, stacking modeling blocks at the full temporal resolution leads to high computational overhead, while compressing the temporal sequence makes it difficult to retain per-frame details. To address these issues, we propose SCR-Mamba, whose core consists of Skeleton-Conditioned State Modeling (SCSM) and Cross-Scale Incremental Refinement (CSIR). SCSM generates a skeleton context from bone connections and left-right symmetry relations and generates the selective parameters of the spatial and temporal branches conditioned on it, so that structural relations are involved in the writing, propagation, and reading of state information. CSIR constructs multi-scale motion representations through content-adaptive aggregation and progressively refines the retained per-frame features with the increments produced by coarse-scale modeling, integrating long-range motion context while reducing full-resolution computation. On Human3.6M with Stacked Hourglass (SH) 2D detections and 243-frame inputs, SCR-Mamba-L achieves 36.8 mm MPJPE (P1) with 7.72 M parameters and 15.10 G MACs, less than 1/7 of the computational cost of StructMamPose-L with similar accuracy; SCR-Mamba-X further reaches 36.6 mm P1 and 30.9 mm P-MPJPE (P2), achieving state-of-the-art performance. On MPI-INF-3DHP, SCR-Mamba-X achieves a percentage of correct keypoints (PCK) of 99.3%, an area under the curve (AUC) of 88.1%, and an MPJPE of 14.2 mm.
- Abstract(参考訳): ビデオに基づく3次元ポーズ推定のためのマンバベースの手法は、線形複雑性を持つ長いシーケンスをモデル化することができるが、その選択された状態更新は通常、骨格関係の直接的利用を欠いている。
一方、モデリングブロックを完全な時間分解能に積み重ねると計算オーバーヘッドが高くなり、時間列を圧縮するとフレーム単位の詳細を保持するのが難しくなる。
これらの問題に対処するため,SCR-Mambaを提案し,SCR-MambaはSkeleton-Conditioned State Modeling (SCSM) とCSIR (Cross-Scale Incremental Refinement) で構成されている。
SCSMは、骨接続と左右対称関係から骨格コンテキストを生成し、その上に条件付けられた空間的および時間的分岐の選択パラメータを生成し、構造的関係が状態情報の書き込み、伝播、読み取りに関与する。
CSIRは、コンテンツ適応アグリゲーションを通じてマルチスケールのモーション表現を構築し、粗大なスケールのモデリングによって生成されるインクリメントでフレーム単位の特徴を徐々に洗練し、フル解像度の計算を減らしながら長距離のモーションコンテキストを統合する。
SCR-Mamba-LはStructMamPose-Lの計算コストの1/7以下で、7.72Mのパラメータと15.10GのMACを持つ36.8mm MPJPE (P1)を実現し、SCR-Mamba-Xはさらに36.6mm P1および30.9mm P-MPJPE (P2)に達する。
MPI-INF-3DHPでは、SCR-Mamba-Xは99.3%の正しいキーポイント(PCK)、88.1%の曲線(AUC)、14.2mmのMPJPEを達成している。
関連論文リスト
- MambaADv2: Evolving Duality-enhanced State Space Model for Unsupervised Anomaly Detection [108.36437360254605]
本稿では,マルチクラス非教師付き異常検出に適したフレームワークであるMambaADv2を提案する。
MambaADv2は、事前訓練されたエンコーダと、複数のスケールにわたるDuality-enhanced State Space (DSS)モジュールを備えたMambaインスパイアされたデコーダで構成される。
HSS(Hybrid State Space)ブロックの構造は、SSDベースのMambaラインに従って調整され、Mamba3スタイルの位置認識状態空間モデリングが組み込まれている。
論文 参考訳(メタデータ) (2026-06-22T10:14:06Z) - D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。
提案モデルでは, 腫瘍造影法 (ET) で約1.5~2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
論文 参考訳(メタデータ) (2026-05-21T09:55:42Z) - MHMamba: Multi-Head Mamba for 3D Brain Tumor Segmentation [6.1337977581640075]
本稿では,長距離依存関係のモデル化におけるCNNの限界に対処するため,マルチヘッドマンバ(MHMamba)を提案する。
U字型アーキテクチャとマルチヘッド状態空間モデル(Mamba)を組み合わせて、チャネル次元を並列SSMヘッドに分割し、それらを残差で集約する。
結果: MHMambaは, 腫瘍コアおよび小体積拡張領域に対する総合的精度, 境界平滑性, 感度において, 安定かつ有意な改善を達成した。
論文 参考訳(メタデータ) (2026-05-15T10:05:30Z) - GaussiAnimate: Reconstruct and Rig Animatable Categories with Level of Dynamics [33.82354036144774]
我々は「骨格」と呼ばれるaScaffold-Skin Riggingシステムを提案する。
我々は4次元形状のレベルダイナミクスを制御可能かつ表現可能なコンパクトな骨格に圧縮する。
我々は、合成データセットと実世界のデータセットの両方にアプローチを検証する。
論文 参考訳(メタデータ) (2026-04-09T17:59:59Z) - Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。
We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文 参考訳(メタデータ) (2025-11-04T17:22:22Z) - Adaptive Gate-Aware Mamba Networks for Magnetic Resonance Fingerprinting [8.673589204148115]
MRF(MR Resonance Fingerprinting)は、信号の進化を予め定義された辞書に合わせることで高速な定量的イメージングを可能にする。
最近の研究は、DMに代わるディープラーニングベースのアプローチを探求している。
両MambaベースのエンコーダとGAST(Gate-Aware Spatial-Temporal)プロセッサを組み合わせたエンドツーエンドフレームワークであるGAST-Mambaを提案する。
論文 参考訳(メタデータ) (2025-07-04T08:04:01Z) - Mamba-Driven Topology Fusion for Monocular 3D Human Pose Estimation [41.14182025718559]
本研究では,マンバ駆動トポロジフュージョンによる3次元ポーズ推定手法を提案する。
具体的には,提案した骨認識モジュールは球面座標系における骨ベクトルの方向と長さを推定する。
また、シーケンス内の時間的関係と空間的関係の両方をモデル化する時空間リファインメントモジュールを設計する。
論文 参考訳(メタデータ) (2025-05-27T01:21:57Z) - MixSTE: Seq2seq Mixed Spatio-Temporal Encoder for 3D Human Pose
Estimation in Video [75.23812405203778]
近年, 学習時間相関のため, 全フレームのボディジョイントを世界規模で考慮し, 2次元キーポイントシーケンスから3次元人間のポーズを推定する手法が提案されている。
本研究では,各関節の時間的動きを別々にモデル化する時間的変圧器ブロックと,関節間空間相関を有する変圧器ブロックを有するミキシングミキシングを提案する。
さらに、ネットワーク出力は、中央フレームから入力ビデオの全フレームに拡張され、入力と出力のベンチマーク間のコヒーレンスが改善される。
論文 参考訳(メタデータ) (2022-03-02T04:20:59Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳(メタデータ) (2021-07-06T14:50:03Z)
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。