Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
Ultra Diffusion Poser는 IMU와 UWB 거리 측정값을 결합하여 인간의 동작을 추적하는 새로운 확산 모델 기반 연구입니다. 센서의 3D 레이아웃을 재구성하는 모듈과 거리 제약을 준수하도록 돕는 가이던스 기법을 통해 포즈 재구성 성능을 크게 향상했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.GR (Graphics)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기관성 측정 장치 (IMU)를 사용하는 방법은 카메라 기반 모션 캡처 (Motion Capture)를 대체할 수 있는 웨어러블 대안을 제공합니다. 관성 신호의 드리프트 (Drift)를 완화하기 위해, 최근의 희소 관성 포즈 추정기 (Sparse Inertial Pose Estimators)들은 초광대역 (UWB) 거리 측정을 통해 측정된 센서 간 거리를 통합합니다. 지금까지 UWB 거리는 센서 위치에 부과되는 물리적 제약 조건을 무시한 채, 단순히 추가적인 입력 특징 (Input Feature)으로만 사용되어 왔습니다. 그러나 이러한 거리 정보는 기저에 있는 3D 센서 레이아웃 (Layout)을 재구성하는 데에도 사용될 수 있으며, 이는 결과적으로 포즈 재구성 (Pose Reconstruction)을 위한 더욱 유익한 입력을 제공합니다. 우리는 이러한 기하학적 제약 조건을 명시적으로 모델링하는 확산 모델 (Diffusion Model)인 Ultra Diffusion Poser를 제안합니다. 이 모델은 UWB 측정값으로부터 3D 센서 위치를 분석적으로 재구성하는 공간 레이아웃 모듈 (Spatial Layout Module)을 포함합니다. 이러한 센서 위치는 확산 (Diffusion) 과정 중 조건부 신호 (Conditioning Signal)로서 IMU 신호 및 UWB 거리와 함께 사용됩니다. 그럼에도 불구하고, 네트워크의 예측값은 센서 간 거리 측정값을 위반할 수 있습니다. 이를 해결하기 위해, 우리는 확산 샘플링 (Diffusion Sampling) 과정 동안 예측된 포즈와 측정된 거리 사이의 정렬을 장려하는 UWB-Diffusion Guidance를 도입합니다. 이러한 기여들을 통해 우리 모델은 최첨단 (State-of-the-art) 성능을 달성하였으며, 이전 연구 대비 관절 위치 오차 (Joint Position Error)를 최대 22%까지 줄였습니다.