論文の概要: DiffComplete: Diffusion-based Generative 3D Shape Completion
- arxiv url: http://arxiv.org/abs/2306.16329v1
- Date: Wed, 28 Jun 2023 16:07:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-29 13:35:58.899951
- Title: DiffComplete: Diffusion-based Generative 3D Shape Completion
- Title（参考訳）: diffcomplete:拡散に基づく生成的3次元形状完了
- Authors: Ruihang Chu, Enze Xie, Shentong Mo, Zhenguo Li, Matthias Nie{\ss}ner,
Chi-Wing Fu, Jiaya Jia
- Abstract要約: 3次元レンジスキャンにおける形状完成のための拡散に基づく新しいアプローチを提案する。
私たちはリアリズム、マルチモダリティ、高忠実さのバランスを取ります。
DiffCompleteは2つの大規模3次元形状補完ベンチマークに新しいSOTA性能を設定する。
- 参考スコア（独自算出の注目度）: 114.43353365917015
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a new diffusion-based approach for shape completion on 3D range
scans. Compared with prior deterministic and probabilistic methods, we strike a
balance between realism, multi-modality, and high fidelity. We propose
DiffComplete by casting shape completion as a generative task conditioned on
the incomplete shape. Our key designs are two-fold. First, we devise a
hierarchical feature aggregation mechanism to inject conditional features in a
spatially-consistent manner. So, we can capture both local details and broader
contexts of the conditional inputs to control the shape completion. Second, we
propose an occupancy-aware fusion strategy in our model to enable the
completion of multiple partial shapes and introduce higher flexibility on the
input conditions. DiffComplete sets a new SOTA performance (e.g., 40% decrease
on l_1 error) on two large-scale 3D shape completion benchmarks. Our completed
shapes not only have a realistic outlook compared with the deterministic
methods but also exhibit high similarity to the ground truths compared with the
probabilistic alternatives. Further, DiffComplete has strong generalizability
on objects of entirely unseen classes for both synthetic and real data,
eliminating the need for model re-training in various applications.
- Abstract（参考訳）: 3dレンジスキャンによる形状完了のための新しい拡散ベース手法を提案する。
従来の決定論的および確率論的手法と比較して、現実主義、多様性、高忠実性のバランスをとる。
不完全な形状を条件とした生成タスクとして、形状完了をキャスティングすることでDiffCompleteを提案する。
私たちのキーデザインは2倍です。
まず,空間的に一貫した方法で条件付き特徴を注入する階層的特徴集約機構を考案する。
そこで, 形状完了を制御するために, 条件入力の局所的詳細とより広い文脈の両方をキャプチャできる。
第2に,複数の部分形状の完成と,入力条件に対する高い柔軟性を実現するために,我々のモデルにおける占有を考慮した融合戦略を提案する。
DiffCompleteは2つの大規模3D形状補完ベンチマーク上で新しいSOTA性能(例:l_1エラーの40%削減)を設定する。
我々の完成形は決定論的方法と比較して現実的な見通しを持つだけでなく、確率的代替物と比較して基礎的真理と高い類似性を示す。
さらに、DiffCompleteは、合成データと実データの両方に対して、完全に見えないクラスのオブジェクトに対して強力な一般化性を持ち、様々なアプリケーションでモデルの再トレーニングを不要にする。
関連論文リスト
- RealDiff: Real-world 3D Shape Completion using Self-Supervised Diffusion Models [15.209079637302905]
本稿では,実世界の実測に基づく条件生成問題として,点雲完了を定式化する自己教師型フレームワークであるRealDiffを提案する。
具体的には、RealDiffは、タスクのマルチモーダルな性質に対処するために部分入力の生成を条件付けながら、行方不明なオブジェクト部分での拡散プロセスをシミュレートする。
実験結果から,本手法は実世界のクラウド完成度において常に最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2024-09-16T11:18:57Z) - SC-Diff: 3D Shape Completion with Latent Diffusion Models [4.913210912019975]
本稿では, 形状の完成に最適化された3次元潜在拡散モデルを用いて, 3次元形状完備化手法を提案する。
本手法は,空間的コンディショニングとクロスアテンションによる画像ベースコンディショニングを,キャプチャー部分スキャンからの3次元特徴の統合により組み合わせたものである。
論文 参考訳（メタデータ） (2024-03-19T06:01:11Z) - Robust 3D Tracking with Quality-Aware Shape Completion [67.9748164949519]
そこで本研究では,高密度および完全点の雲からなる合成対象表現について,ロバストな3次元追跡のための形状完備化により正確に表現する。
具体的には, 形状が整ったボキセル化3次元追跡フレームワークを設計し, ノイズのある歴史的予測の悪影響を軽減するために, 品質に配慮した形状完備化機構を提案する。
論文 参考訳（メタデータ） (2023-12-17T04:50:24Z) - T1: Scaling Diffusion Probabilistic Fields to High-Resolution on Unified
Visual Modalities [69.16656086708291]
拡散確率場(DPF)は、距離空間上で定義された連続関数の分布をモデル化する。
本稿では,局所構造学習に着目したビューワイズサンプリングアルゴリズムによる新しいモデルを提案する。
モデルは、複数のモダリティを統一しながら、高解像度のデータを生成するためにスケールすることができる。
論文 参考訳（メタデータ） (2023-05-24T03:32:03Z) - PatchRD: Detail-Preserving Shape Completion by Learning Patch Retrieval
and Deformation [59.70430570779819]
本稿では,3次元形状の欠落領域の幾何学的詳細化に焦点を当てたデータ駆動型形状補完手法を提案する。
私たちの重要な洞察は、部分的な入力から完全な欠落したリージョンへのパッチのコピーとデフォームです。
部分的な入力からパッチを抽出することで繰り返しパターンを活用し、ニューラルネットワークを用いてグローバルな構造的先行点を学習し、検索と変形の手順を導出する。
論文 参考訳（メタデータ） (2022-07-24T18:59:09Z) - Probabilistic Implicit Scene Completion [6.954686339092988]
大規模3次元シーンの連続幾何学に拡張した確率的形状補完法を提案する。
生成セルオートマタを用いてマルチモーダル分布を学習し,定式化を変換して大規模連続幾何処理を行う。
実験により,入力に忠実な多彩なシーンを生成できることが確認された。
論文 参考訳（メタデータ） (2022-04-04T06:16:54Z) - Probabilistic Registration for Gaussian Process 3D shape modelling in
the presence of extensive missing data [63.8376359764052]
本稿では,ガウス過程の定式化に基づく形状適合/登録手法を提案する。
様々な変換を持つ2次元の小さなデータセットと耳の3次元データセットの両方で実験が行われる。
論文 参考訳（メタデータ） (2022-03-26T16:48:27Z) - AutoSDF: Shape Priors for 3D Completion, Reconstruction and Generation [29.018733252938926]
パワフルな事前処理によって、不十分な情報で推論を実行できます。
本稿では, 形状完了, 復元, 生成といったマルチモーダルな3次元課題を解決するために, 3次元形状に対する自己回帰前処理を提案する。
論文 参考訳（メタデータ） (2022-03-17T17:59:54Z) - ShapeFormer: Transformer-based Shape Completion via Sparse
Representation [41.33457875133559]
本稿では,不完全でノイズの多い点雲に条件付きオブジェクト完了の分布を生成するネットワークであるShapeFormerを提案する。
結果の分布をサンプリングして、入力に忠実な状態で、それぞれがもっともらしい形状の詳細を示す、可能性のある完了を生成する。
論文 参考訳（メタデータ） (2022-01-25T13:58:30Z) - Unsupervised 3D Shape Completion through GAN Inversion [116.27680045885849]
本稿では,GAN(Generative Adrial Network)インバージョンを導入したShapeInversionについて紹介する。
ShapeInversionは、与えられた部分入力に最も適した完全な形状を与える潜在コードを探すことで、完全な形状で事前訓練されたGANを使用する。
shapenetベンチマークでは、shapeinversion は sota unsupervised メソッドよりも優れており、ペアデータを用いて学習される教師ありメソッドに匹敵する。
論文 参考訳（メタデータ） (2021-04-27T17:53:46Z)
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。