基于食物连续 3D 重建的饮食摄入量估计
计算机视觉与模式识别
2025-05-02 v1 机器学习
摘要
监测饮食习惯对于预防与暴饮暴食和饮食不足相关的健康风险（包括肥胖、糖尿病和心血管疾病）至关重要。传统的食物摄入量追踪方法依赖于进食前或进食后的自我报告数据，容易出现不准确。本研究提出了一种利用由单目 2D 视频构建的 3D 食物模型来准确监测摄入行为的方法。使用 COLMAP 和姿态估计算法，我们生成了食物的详细 3D 表示，使我们能够观察食物被消耗时体积的变化。使用玩具模型和真实食物项目的实验证明了该方法的潜力。同时，针对自动化状态识别挑战，我们提出了一种新方法，以准确检测状态变化并保持模型保真度。3D 重建方法在捕捉全面的饮食行为见解方面显示出前景，最终有助于开发自动化且准确的饮食监测工具。
引用
@article{arxiv.2505.00606,
title = {Dietary Intake Estimation via Continuous 3D Reconstruction of Food},
author = {Wallace Lee and YuHao Chen},
journal= {arXiv preprint arXiv:2505.00606},
year = {2025}
}
备注
2025 CVPR MetaFood Workshop