論文の概要: Autoregressive 3D Shape Generation via Canonical Mapping

• arxiv url: http://arxiv.org/abs/2204.01955v1
• Date: Tue, 5 Apr 2022 03:12:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-06 21:47:33.354951
• Title: Autoregressive 3D Shape Generation via Canonical Mapping
• Title（参考訳）: 正準写像による自己回帰3次元形状生成
• Authors: An-Chieh Cheng, Xueting Li, Sifei Liu, Min Sun, Ming-Hsuan Yang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 92.91282602339398
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the capacity of modeling long-range dependencies in sequential data, transformers have shown remarkable performances in a variety of generative tasks such as image, audio, and text generation. Yet, taming them in generating less structured and voluminous data formats such as high-resolution point clouds have seldom been explored due to ambiguous sequentialization processes and infeasible computation burden. In this paper, we aim to further exploit the power of transformers and employ them for the task of 3D point cloud generation. The key idea is to decompose point clouds of one category into semantically aligned sequences of shape compositions, via a learned canonical space. These shape compositions can then be quantized and used to learn a context-rich composition codebook for point cloud generation. Experimental results on point cloud reconstruction and unconditional generation show that our model performs favorably against state-of-the-art approaches. Furthermore, our model can be easily extended to multi-modal shape completion as an application for conditional shape generation.
• Abstract（参考訳）: シーケンシャルデータにおける長距離依存関係をモデル化する能力により、トランスフォーマーは画像、音声、テキスト生成など、様々な生成タスクにおいて顕著なパフォーマンスを示した。 しかし、不明瞭な逐次化プロセスと計算負荷のため、高解像度の点雲のような、より構造が低く、高輝度なデータ形式を生成するためにそれらを利用することはめったにない。 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。 鍵となるアイデアは、学習された正準空間を通じて、あるカテゴリーの点雲を意味的に整列した形状合成の列に分解することである。 これらの形状合成は量子化し、点クラウド生成のための文脈に富んだ構成コードブックを学ぶのに使うことができる。 点雲再構成と非条件生成の実験結果から,我々のモデルは最先端のアプローチに対して良好に機能することが示された。 さらに, 条件付き形状生成への応用として, 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。

関連論文リスト

• Patch-Wise Point Cloud Generation: A Divide-and-Conquer Approach [83.05340155068721]
  分割・分散アプローチを用いた新しい3dポイントクラウド生成フレームワークを考案する。 すべてのパッチジェネレータは学習可能な事前情報に基づいており、幾何学的プリミティブの情報を取得することを目的としている。 最も人気のあるポイントクラウドデータセットであるShapeNetのさまざまなオブジェクトカテゴリに関する実験結果は、提案したパッチワイドポイントクラウド生成の有効性を示している。
  論文  参考訳（メタデータ） (2023-07-22T11:10:39Z)
• DiffFacto: Controllable Part-Based 3D Point Cloud Generation with Cross Diffusion [68.39543754708124]
  DiffFactoは,部品レベルの制御で形状の分布を学習する新しい確率的生成モデルである。 実験により,複数の制御軸を持つ新しい形状を生成可能であることが示された。 最先端のパートレベルの生成品質を実現し、可塑性かつコヒーレントな形状を生成する。
  論文  参考訳（メタデータ） (2023-05-03T06:38:35Z)
• 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)
• Learning Versatile 3D Shape Generation with Improved AR Models [91.87115744375052]
  自己回帰(AR)モデルはグリッド空間の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印象的な結果を得た。 本稿では3次元形状生成のための改良された自己回帰モデル(ImAM)を提案する。
  論文  参考訳（メタデータ） (2023-03-26T12:03:18Z)
• Self-Supervised Learning for Multimodal Non-Rigid 3D Shape Matching [15.050801537501462]
  我々は、メッシュベースの関数マップ正規化と、メッシュとポイントクラウドデータを結合する対照的な損失を組み合わせた、自己教師型マルチモーダル学習戦略を導入する。 我々の形状マッチングアプローチは、三角形メッシュ、完全点雲、部分的に観察された点雲のモード内対応を得ることを可能にする。 提案手法は,いくつかの挑戦的なベンチマークデータセットに対して,最先端の結果を達成できることを実証する。
  論文  参考訳（メタデータ） (2023-03-20T09:47:02Z)
• Point Cloud Generation with Continuous Conditioning [2.9238500578557303]
  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。
  論文  参考訳（メタデータ） (2022-02-17T09:05:10Z)
• EditVAE: Unsupervised Part-Aware Controllable 3D Point Cloud Shape Generation [19.817166425038753]
  本稿では,パートアウェアポイントクラウド生成の問題に対処する。 変分オートエンコーダの簡単な修正により、点雲自体のジョイントモデルが得られる。 歪んだ表現によって得られる柔軟性に加えて、我々のジョイントモデリングアプローチによって導入された帰納バイアスは、ShapeNetデータセットの最先端の実験結果をもたらす。
  論文  参考訳（メタデータ） (2021-10-13T12:38:01Z)
• Differentiable Convolution Search for Point Cloud Processing [114.66038862207118]
  本稿では,点雲上での新しい差分畳み込み探索パラダイムを提案する。 純粋にデータ駆動型であり、幾何学的形状モデリングに適した畳み込みのグループを自動生成することができる。 また,内部畳み込みと外部アーキテクチャの同時探索のための共同最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-29T14:42:03Z)
• 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)
• Adversarial Generation of Continuous Implicit Shape Representations [9.478108870211365]
  本研究は,符号付き距離表現に基づく3次元形状生成のための生成的対角アーキテクチャを提案する。 本研究では,ShapeNetベンチマークデータセットにアプローチをトレーニングし,定量的かつ質的に,現実的な3次元形状を生成する上での性能を評価する。
  論文  参考訳（メタデータ） (2020-02-02T08:20:42Z)

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。