要約
本稿では、自然な映像（in-the-wild videos）から人の全体的な軌道および運動を再構成するための二段階手法「TRAM」を提案する。TRAMは、動的な人物が存在する状況下でもSLAM（同時定位と地図作成）の精度を高め、シーンの背景情報を用いて運動スケールを推定する。回復されたカメラ運動を計測スケールを備えた参照フレームとして用い、ビデオ変換器モデル（VIMO）を導入して人の運動学的運動を回帰する。この二つの運動を統合することで、世界座標系における3次元人の正確な再構成を実現し、従来手法と比較して全体的な運動誤差を大幅に低減した。https://yufu-wang.github.io/tram4d/