論文の概要: Go with the Flows: Mixtures of Normalizing Flows for Point Cloud
Generation and Reconstruction
- arxiv url: http://arxiv.org/abs/2106.03135v1
- Date: Sun, 6 Jun 2021 14:25:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 18:05:52.740551
- Title: Go with the Flows: Mixtures of Normalizing Flows for Point Cloud
Generation and Reconstruction
- Title(参考訳): Go with the Flows: 点雲生成と再構成のための正規化フローの混合
- Authors: Janis Postels, Mengya Liu, Riccardo Spezialetti, Luc Van Gool,
Federico Tombari
- Abstract要約: 正規化フロー(NF)は、3Dポイントクラウドのモデリングにおける最先端のパフォーマンスを示している。
この研究は、点雲にNFの混合物を適用することで、それらの表現力を高める。
- 参考スコア(独自算出の注目度): 98.38585659305325
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently normalizing flows (NFs) have demonstrated state-of-the-art
performance on modeling 3D point clouds while allowing sampling with arbitrary
resolution at inference time. However, these flow-based models still require
long training times and large models for representing complicated geometries.
This work enhances their representational power by applying mixtures of NFs to
point clouds. We show that in this more general framework each component learns
to specialize in a particular subregion of an object in a completely
unsupervised fashion. By instantiating each mixture component with a
comparatively small NF we generate point clouds with improved details compared
to single-flow-based models while using fewer parameters and considerably
reducing the inference runtime. We further demonstrate that by adding data
augmentation, individual mixture components can learn to specialize in a
semantically meaningful manner. We evaluate mixtures of NFs on generation,
autoencoding and single-view reconstruction based on the ShapeNet dataset.
- Abstract(参考訳): 近年の正規化フロー (NFs) は3次元点雲のモデリングにおける最先端の性能を示し, 推論時に任意の解像度のサンプリングが可能となった。
しかし、これらのフローベースモデルは、複雑なジオメトリを表現するために長いトレーニング時間と大きなモデルを必要とする。
この研究は、点雲にNFの混合物を適用することで、それらの表現力を高める。
このより一般的なフレームワークでは、各コンポーネントは、完全に教師なしの方法でオブジェクトの特定のサブリージョンを専門化する。
各混合成分を比較的小さなNFでインスタンス化することにより、パラメータが少なく、推論ランタイムを大幅に削減しながら、単一フローモデルと比較して細部の改善された点雲を生成する。
さらに、データ拡張を追加することで、個々の混合コンポーネントが意味論的に意味のある方法で専門化できることを実証する。
shapenetデータセットに基づいて,生成,自動エンコーディング,単一ビュー再構成におけるnfsの混合物を評価する。
関連論文リスト
- ComboStoc: Combinatorial Stochasticity for Diffusion Generative Models [65.82630283336051]
拡散生成モデルの既存のトレーニングスキームにより,次元と属性の組み合わせによって区切られた空間が十分に標本化されていないことを示す。
構造を完全に活用するプロセスを構築し,ComboStocという名前でこの問題に対処する。
論文 参考訳(メタデータ) (2024-05-22T15:23:10Z) - EPiC-ly Fast Particle Cloud Generation with Flow-Matching and Diffusion [0.7255608805275865]
本稿では,LHCジェットを点雲として効率的に高精度に生成する2つの新しい手法を提案する。
epcjediとepはどちらも、トップクォークのJetNetデータセット上で最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-09-29T18:00:03Z) - DSMNet: Deep High-precision 3D Surface Modeling from Sparse Point Cloud
Frames [12.531880335603145]
既存のポイントクラウドモデリングデータセットは、ポイントクラウドモデリング効果自体よりも、ポーズまたは軌道精度によるモデリング精度を表現する。
スパースポイントクラウドフレームを用いた高精度3次元表面モデリングのための新しい学習ベースジョイントフレームワークDSMNetを提案する。
論文 参考訳(メタデータ) (2023-04-09T09:23:06Z) - StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。
我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
論文 参考訳(メタデータ) (2023-03-28T08:21:44Z) - PRANC: Pseudo RAndom Networks for Compacting deep models [22.793523211040682]
PRANCはディープモデルの大幅なコンパクト化を可能にする。
本研究では,PRANCを用いて画像分類モデルを構築し,関連する暗黙的ニューラルネットワークをコンパクト化することで画像の圧縮を行う。
論文 参考訳(メタデータ) (2022-06-16T22:03:35Z) - Moser Flow: Divergence-based Generative Modeling on Manifolds [49.04974733536027]
Moser Flow (MF) は連続正規化フロー(CNF)ファミリーにおける新しい生成モデルのクラスである
MFは、訓練中にODEソルバを介して呼び出しやバックプロパゲートを必要としない。
一般曲面からのサンプリングにおけるフローモデルの利用を初めて実演する。
論文 参考訳(メタデータ) (2021-08-18T09:00:24Z) - PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
本稿では,正規化フローを組み込んだPU-Flowについて述べる。
具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。
提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-07-13T07:45:48Z) - Discrete Point Flow Networks for Efficient Point Cloud Generation [36.03093265136374]
生成モデルは3次元形状とその統計的バリエーションをモデル化するのに有効であることが証明されている。
任意の大きさの3次元点雲を生成するために,フローの正規化に基づく潜在変数モデルを導入する。
単一ビュー形状再構成では、最先端のボクセル、ポイントクラウド、メッシュベースの手法と同等の結果が得られる。
論文 参考訳(メタデータ) (2020-07-20T14:48:00Z) - Normalizing Flows with Multi-Scale Autoregressive Priors [131.895570212956]
マルチスケール自己回帰前処理(mAR)を通した遅延空間におけるチャネルワイド依存性を導入する。
我々のmARは、分割結合フロー層(mAR-SCF)を持つモデルに先立って、複雑なマルチモーダルデータの依存関係をよりよく捉えます。
我々は,mAR-SCFにより画像生成品質が向上し,FIDとインセプションのスコアは最先端のフローベースモデルと比較して向上したことを示す。
論文 参考訳(メタデータ) (2020-04-08T09:07:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。