論文の概要: Point Cloud Generation with Continuous Conditioning
- arxiv url: http://arxiv.org/abs/2202.08526v1
- Date: Thu, 17 Feb 2022 09:05:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-18 14:29:26.911927
- Title: Point Cloud Generation with Continuous Conditioning
- Title(参考訳): 連続コンディショニングによる点雲生成
- Authors: Larissa T. Triess and Andre B\"uhler and David Peter and Fabian B.
Flohr and J. Marius Z\"ollner
- Abstract要約: 本稿では,連続パラメータを条件とした3次元点雲形状を生成するGAN(Generative Adversarial Network)を提案する。
模範的なアプリケーションでは、これを生成プロセスのガイドとして使用し、カスタマイズ可能な形状の3Dオブジェクトを作成します。
- 参考スコア(独自算出の注目度): 2.9238500578557303
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative models can be used to synthesize 3D objects of high quality and
diversity. However, there is typically no control over the properties of the
generated object.This paper proposes a novel generative adversarial network
(GAN) setup that generates 3D point cloud shapes conditioned on a continuous
parameter. In an exemplary application, we use this to guide the generative
process to create a 3D object with a custom-fit shape. We formulate this
generation process in a multi-task setting by using the concept of auxiliary
classifier GANs. Further, we propose to sample the generator label input for
training from a kernel density estimation (KDE) of the dataset. Our ablations
show that this leads to significant performance increase in regions with few
samples. Extensive quantitative and qualitative experiments show that we gain
explicit control over the object dimensions while maintaining good generation
quality and diversity.
- Abstract(参考訳): 生成モデルは高品質で多様な3Dオブジェクトを合成するのに使うことができる。
本稿では,連続パラメータを条件とした3次元点クラウド形状を生成する新たなgan(generative adversarial network)構成を提案する。
例示アプリケーションでは、これを使って生成プロセスをガイドし、カスタムフィットな形状の3dオブジェクトを作成します。
補助分類器gansの概念を用いて,マルチタスク環境でこの生成プロセスを定式化する。
さらに、データセットのカーネル密度推定(KDE)からトレーニング用ジェネレータラベル入力をサンプリングする。
以上の結果から,少ないサンプルの領域で大幅なパフォーマンス向上が期待できる。
広範に定量的および定性的な実験により、優れた生成品質と多様性を維持しながら、対象次元を明示的に制御できることが示されている。
関連論文リスト
- Pushing Auto-regressive Models for 3D Shape Generation at Capacity and
Scalability [121.44324465222498]
自己回帰モデルでは,格子空間における関節分布をモデル化することにより,2次元画像生成において顕著な結果が得られた。
自動回帰モデルを3次元領域に拡張し,キャパシティとスケーラビリティを同時に向上することにより,3次元形状生成の強力な能力を求める。
論文 参考訳(メタデータ) (2024-02-19T15:33:09Z) - Pushing the Limits of 3D Shape Generation at Scale [65.24420181727615]
我々は、前例のない次元に拡大することで、3次元形状生成において画期的なブレークスルーを示す。
現在までに最大の3次元形状生成モデルとしてArgus-3Dが確立されている。
論文 参考訳(メタデータ) (2023-06-20T13:01:19Z) - GVP: Generative Volumetric Primitives [76.95231302205235]
本稿では,512解像度画像をリアルタイムにサンプリング・レンダリングできる最初の純3次元生成モデルである生成ボリュームプリミティブ(GVP)を提案する。
GVPは、複数のプリミティブとその空間情報を共同でモデル化し、どちらも2D畳み込みネットワークを介して効率的に生成することができる。
いくつかのデータセットの実験は、最先端技術よりも優れた効率性とGVPの3次元一貫性を示す。
論文 参考訳(メタデータ) (2023-03-31T16:50:23Z) - 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) - NeRF-GAN Distillation for Efficient 3D-Aware Generation with
Convolutions [97.27105725738016]
GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。
提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
論文 参考訳(メタデータ) (2023-03-22T18:59:48Z) - 3DQD: Generalized Deep 3D Shape Prior via Part-Discretized Diffusion
Process [32.3773514247982]
複数の3次元タスクに適した,一般化された3次元形状生成モデルを開発した。
設計は、提案した3次元形状先行モデルに高忠実度、多彩な特徴と、相互モダリティアライメントの能力を併用する。
論文 参考訳(メタデータ) (2023-03-18T12:50:29Z) - Flow-based GAN for 3D Point Cloud Generation from a Single Image [16.04710129379503]
本稿では,任意の解像度の点群をサンプリングするためのフローベース明示的生成モデルを継承する,ハイブリッドな明示的生成モデルを提案する。
大規模合成データセットShapeNetについて評価し,提案手法の優れた性能を示す実験結果を得た。
論文 参考訳(メタデータ) (2022-10-08T17:58:20Z) - Autoregressive 3D Shape Generation via Canonical Mapping [92.91282602339398]
トランスフォーマーは、画像、音声、テキスト生成など、様々な生成タスクで顕著なパフォーマンスを示している。
本稿では,変圧器のパワーをさらに活用し,それを3Dポイントクラウド生成のタスクに活用することを目的とする。
条件付き形状生成への応用として,本モデルを簡単にマルチモーダル形状完成に拡張することができる。
論文 参考訳(メタデータ) (2022-04-05T03:12:29Z) - GLASS: Geometric Latent Augmentation for Shape Spaces [28.533018136138825]
幾何学的に動機づけられたエネルギーを用いて拡張し、その結果、サンプル(トレーニング)モデルのスパースコレクションを増強する。
本研究では,高剛性(ARAP)エネルギーのヘシアン解析を行い,その基礎となる(局所)形状空間に投射する。
我々は,3~10個のトレーニング形状から始めても,興味深い,意味のある形状変化の例をいくつか提示する。
論文 参考訳(メタデータ) (2021-08-06T17:56:23Z) - 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)
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。