論文の概要: BAL: Bidirectional Autoregression in Latent Space for Learning Human Movement Representations
- arxiv url: http://arxiv.org/abs/2611.18559v1
- Date: Fri, 13 Nov 2026 18:58:54 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:24:33.522717
- Title: BAL: Bidirectional Autoregression in Latent Space for Learning Human Movement Representations
- Title(参考訳): BAL:人間行動表現学習のための潜在空間における双方向自己回帰
- Abstract要約: BALは3次元ポーズシーケンスから意味的に意味のある人間の動きを表現するための自己教師型フレームワークである。
人間の運動に対する本質的な監督、すなわち日常生活の自然な秩序構造を利用する。
動作のキャプション、予測、ほとんどの評価指標のベースラインよりも優れている。
- 参考スコア(独自算出の注目度): 28.31134855728787
- License:
- Abstract: Learning semantically meaningful human movement representations from 3D pose sequences is essential for human behavior modeling. Existing self-supervised methods derive supervision from artificial assumptions, e.g., invariance to augmentation within a certain range or recoverability of masked regions at a certain temporal scale, introducing heuristic hyperparameters that make the learned semantics sensitive to their settings. We propose BAL, a self-supervised framework that instead exploits supervision intrinsic to human movement: the natural ordering structure of everyday behavior. BAL autoregressively predicts in a semantically abstract latent space, analogous to how humans anticipate others' actions rather than their precise joint configurations. Bidirectional autoregressive prediction, both forward and backward in time, fully leverages these ordering constraints while enabling representation extraction using both past and future context at inference. To suppress representation collapse, BAL decomposes each prediction target into a global component capturing sequence-level semantics and a local component capturing context-independent movement. We prove that the local targets retain nontrivial angular diversity unless the representations are completely collapsed, preserving a meaningful training signal. Experiments on large-scale datasets demonstrate that BAL's representations are highly effective for motion captioning, forecasting, and interpolation, outperforming baselines on most evaluation metrics.
- Abstract(参考訳): 3次元ポーズシーケンスから意味論的に意味のある人間の動きの表現を学習することは、人間の行動モデリングに不可欠である。
既存の自己監督手法は、ある時間スケールでマスクされた領域の特定の範囲内での増大や回復性への不変性といった人工的な仮定から、学習されたセマンティクスをそれらの設定に敏感にするヒューリスティックなハイパーパラメータを導入して、監督する。
BALは,日常行動の自然秩序構造である,人間の運動に内在する監督を生かした自己監督型フレームワークである。
BALは意味論的に抽象的な潜伏空間において自己回帰的に予測し、これは人間が正確な関節構成よりも他人の行動を予想する方法に類似している。
双方向自己回帰予測は、前向きと後向きの両方で、これらの順序制約を完全に活用し、推論時に過去と将来のコンテキストの両方を用いて表現抽出を可能にする。
表現の崩壊を抑制するため、BALは各予測対象を、シーケンスレベルのセマンティクスをキャプチャするグローバルコンポーネントと、コンテキストに依存しない動きをキャプチャするローカルコンポーネントに分解する。
局所目標が非自明な角の多様性を保ち、表現が完全に崩壊しない限り、有意義な訓練信号を保持することを証明する。
大規模なデータセットの実験では、BALの表現はモーションキャプション、予測、補間に非常に効果的であり、ほとんどの評価指標でベースラインを上回っている。
関連論文リスト
- FlowMoP: Stochastic Multi-Person Motion Prediction [46.56524530136974]
本稿では,複数エージェントに対する多種多様な将来の動きを共同で生成する条件付きフローマッチングフレームワークを提案する。
二流変圧器は、各エージェントが観測した隣り合う動きを予測し、相互作用を意識した予測を行う。
提案手法はCMU-Mocapと3DPWの最先端性能を実現し, 関節位置誤差, ポーズ誤差, 最終変位誤差に対する決定論的ベースラインよりも優れていた。
論文 参考訳(メタデータ) (2026-11-06T18:56:41Z) - STEP: Spatiotemporal Training with Explicit Prediction for Perceptive Humanoid Locomotion [2.3617961247348256]
明示的予測(STEP)を用いた時空間訓練について
STEPは、クロスモーダルな関係とアクション依存状態の進化を共同で監視するワンステージフレームワークである。
搭載センサー付き23-DoF Noetix E1のヒューマノイド上に展開されたSTEPは、100のハードウェア試験のうち98に成功している。
論文 参考訳(メタデータ) (2026-11-05T14:40:52Z) - EWAM: Emergent Depth-Wise Specialization in a Unified Embodied Model -- From Semantic Understanding through Visual Foresight to Action [65.7650775259592]
視覚言語行動(VLA)ポリシーは意味理解を重視し、世界行動モデル(WAM)は環境力学の予測表現を学習する。
本研究では,アクション中心の統一型エンボディモデルであるEWAMについて述べる。
論文 参考訳(メタデータ) (2026-09-30T15:35:53Z) - From Where to How: Continuous 4D Interaction Forecasting from Egocentric Video [62.898774619819676]
エゴセントリックな4Dインタラクション予測は、将来のインタラクションが3Dで起こる場所と、その実現のために人体がどのように動くかを予測することを目的としている。
コヒーレント4D(Coherent4D)は、3つの領域にわたる約233Kサンプルからなる連続4Dインタラクション予測のための大規模エゴセントリックデータセットである。
HIGFlow(Hand Interaction Guided Residual Flow)フレームワークを提案する。
論文 参考訳(メタデータ) (2026-09-08T12:06:23Z) - DisPOSE: Projected Polystochastic Diffusion for Self-Supervised Multi-View 3D Human Pose Estimation [58.47973015036709]
DisPOSEは、本質的に離散的な多視点人物割り当て問題を近似する自己教師型フレームワークである。
特定可能なシンクホーン射影を用いることにより、本モデルは有効かつ実現可能な課題への解の導出を学ぶ。
提案手法は、標準データセット上での最先端の自己教師手法よりも優れている。
論文 参考訳(メタデータ) (2026-06-05T16:14:39Z) - ForecastOcc: Vision-based Semantic Occupancy Forecasting [16.699381591572163]
ForecastOccは視覚に基づくセマンティック占有予測のための最初のフレームワークであり、将来の占有状況とセマンティックカテゴリーを予測する。
本フレームワークは,過去のカメラ画像から直接,外部推定地図に頼らずに,複数の地平線に対するセマンティック占有率の予測を行う。
論文 参考訳(メタデータ) (2026-02-08T15:16:06Z) - Motion-Scenario Decoupling for Rat-Aware Video Position Prediction:
Strategy and Benchmark [49.58762201363483]
本研究では,個人や環境の影響要因を考慮し,生物ロボットの動き予測データセットであるRatPoseを紹介する。
本稿では,シナリオ指向とモーション指向を効果的に分離するDual-stream Motion-Scenario Decouplingフレームワークを提案する。
難易度が異なるタスクに対して,提案したtextitDMSD フレームワークの大幅な性能向上を示す。
論文 参考訳(メタデータ) (2023-05-17T14:14:31Z)
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。