不確実性を考慮したパラメータ更新による、頑健な人体メッシュ回復のためのメタ学習型適応最適化

arXiv cs.CV / 2026/3/30

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、深度の曖昧性とドメイン一般化ギャップに起因する単一画像からの人体メッシュ回復の課題に対し、メタ学習＋テスト時適応最適化の枠組みを提案する。
学習時の手続きとして、テスト時の最適化挙動を模擬することで、最適化に適した初期化を学習し、テスト時の微調整を改善する。
収束済みと判断された関節を凍結する選択的なパラメータキャッシュにより、不要な更新を減らし、微調整に要する計算量を削減する。
学習したパラメータ変化の分布からサンプリングする、不確実性を考慮した分布ベースの適応的更新を用いることで、頑健な探索を支援し、実際の誤差に追随する不確実性推定を提供する。
標準ベンチマークでの実験により、3DPWで10.3、Human3.6Mで8.0のMPJPE低下を含む最先端の結果が報告されており、強力なベースラインに対する優位性だけでなく、ドメイン適応性能の高さや有用な不確実性キャリブレーションも示される。

Abstract

単一画像からの人体メッシュ復元は、内在する奥行きの曖昧さや領域間での汎化能力の限界により、依然として困難です。近年の手法では回帰と最適化のアプローチを組み合わせるものの、テスト時のリファインメントにおける初期化が不十分であることや、最適化中のパラメータ更新が非効率であることに悩まされています。本研究では、最適化に適した初期化を生成するようにモデルを学習させつつ、テスト時のリファインメントでは不確実性に配慮した適応的更新を組み込む、新規のメタラーニング枠組みを提案します。提案手法の主要な革新は3点です：(1) トレーニング中にテスト時の最適化を模擬して、より良いパラメータ初期化を学習するメタラーニング戦略、(2) 計算オーバーヘッドを削減するために収束した関節を特定して凍結する、選択的パラメータキャッシュ機構、(3) 学習した分布からパラメータ変化をサンプリングする分布ベースの適応的更新により、不確実性を定量化しつつ頑健な探索を可能にすることです。さらに、複雑な損失地形における計算不能な勾配を扱うために、確率近似手法を用います。標準ベンチマークでの大規模な実験により、本手法が最先端の性能を達成し、強力なベースラインと比較して3DPWでMPJPEを10.3、Human3.6Mで8.0削減することを示します。また、本手法は異なる環境条件間での性能低下が最小限でありながら、ドメイン適応能力が優れていることを示し、さらに実際の予測誤差と相関する意味のある不確実性推定を提供します。メタラーニングと適応的最適化を組み合わせることで、正確なメッシュ復元と、困難なシナリオへの頑健な汎化を実現します。