แนวคิดหลัก
データ駆動の事前モデリングにより、可能な関節姿勢の空間を表現するための原理的な手法であるNeural Riemannian Distance Fields(NRDF)が導入されました。
บทคัดย่อ
人間、手、および動物のポーズについて学習したNRDFは、高次元のリーマン多様体内でデータ駆動の事前をモデル化し、プリンシプルな距離場学習パラダイムを提供します。NRDFは他のポーズ事前と比較して優れたパフォーマンスを示し、さまざまな下流タスクで優れた成果を上げます。Pose-NDFやGAN-Sなど従来のモデルと比較しても、NRDFは柔軟性があり、実用的です。また、手や動物のポーズにも適用可能であり、多様性とリアリティを兼ね備えています。
สถิติ
NRDFは他のポーズ事前と比較して優れたパフォーマンスを示す。
NRDFは人間、手、および動物のポーズに適用可能である。
NRDFは高次元のリーマン多様体内でデータ駆動の事前をモデル化する。
NRDFはプリンシプルな距離場学習パラダイムを提供する。
NRDFは柔軟性があり実用的である。
คำพูด
"Faithfully modeling the space of articulations is a crucial task that allows recovery and generation of realistic poses, and remains a notorious challenge."
"We introduce Neural Riemannian Distance Fields (NRDFs), data-driven priors modeling the space of plausible articulations, represented as the zero-level-set of a neural field in a high-dimensional product-quaternion space."
"NRDFs can compute the Riemannian gradient via backpropagation and by mathematical analogy, are related to Riemannian flow matching, a recent generative model."
"Our contributions are: A principled framework for learning NDFs on Riemannian manifolds, with strong ties to flow matching."
"A versatile framework for sampling training data, crucial for pose-manifold learning."