MARC

 008260126s2025        us                              c    eng  d
■001000017360746
■00520260202105613
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265429438
■035    ▼a(MiAaPQ)AAI32316429
■035    ▼a(MiAaPQ)Stanfordsp112tf7344
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a006.3
■1001  ▼aLi,  Jiaman.
■24510▼aGenerative  Reconstruction  of  Human  Motion
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a111  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-06,  Section:  B.
■500    ▼aAdvisor:  Liu,  Karen;Wu,  Jiajun.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aHuman  movement  is  inherently  complex  and  diverse,  grounded  in  interaction  with  the  physical  world-ranging  from  everyday  actions  like  walking  or  cooking  to  skilled  motions  such  as  dance  or  gymnastics.  These  motions  are  essential  for  enabling  embodied  agents,  whether  virtual  avatars  or  physical  robots,  to  move  purposefully  and  interact  effectively.  In  virtual  environments,  human  motion  drives  realistic  character  behavior,  supports  robot  policy  training  in  simulation,  and  powers  lifelike  avatars  in  mixed-reality  applications.  In  the  physical  world,  humanoid  robots  can  benefit  from  human  motion  data  to  learn  agile  motor  skills-like  dancing-and  accomplish  functional  tasks  such  as  preparing  coffee  or  performing  household  chores.  While  motion  capture  provides  the  most  accurate  way  to  obtain  human  motion  data,  it  requires  specialized  hardware,  controlled  environments,  and  time-consuming  setup,  which  limits  scalability  and  diversity.  As  a  result,  capturing  the  breadth  of  human  activities  found  in  everyday  life  remains  difficult.  To  overcome  these  limitations,  we  can  turn  to  more  accessible  sources-data  that  are  easier  to  capture  or  already  widely  available,  such  as  third-person  videos,  egocentric  recordings,  or  object-centric  signals  from  a  single  sensor.  These  modalities  offer  the  potential  to  recover  diverse  human  motions  across  a  broad  range  of  real-world  scenarios,  but  they  are  inherently  sparse  and  under-constrained.In  this  dissertation,  I  address  the  challenge  of  reconstructing  human  motion  from  such  sparse  and  under-constrained  observations  by  framing  the  problem  within  a  generative  modeling  paradigm.  I  develop  a  series  of  generative  approaches  that  leverage  learned  motion  priors  to  reconstruct  3D  human  motion  from  2D  video  or  other  minimal  inputs.  First,  I  introduce  a  framework  that  leverages  2D  motion  priors  learned  from  monocular  video  to  reconstruct  generalized  3D  motion.  Second,  I  show  how  egocentric  video  can  be  used  to  infer  full-body  motion  grounded  in  3D  environments.  Third,  I  present  a  method  for  reconstructing  human  motion  from  dynamic  object  trajectories.  Finally,  I  extend  this  formulation  to  handle  even  sparser  input  by  generating  human  and  object  motion  from  abstract  control  signals  such  as  language.  Together,  these  contributions  enable  scalable  and  data-efficient  acquisition  of  human  motion  from  accessible  observations,  broaden  the  diversity  of  motions  that  can  be  generated,  and  move  us  closer  to  creating  intelligent  agents  that  act  and  interact  naturally  in  the  physical  world.
■590    ▼aSchool  code:  0212.
■650  4▼aDiffusion  models
■650  4▼aGeometry
■650  4▼aRobotics
■653    ▼aGymnastics
■653    ▼aPhysical  robots
■690    ▼a0771
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-06B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360746▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books