論文の概要: FrePolad: Frequency-Rectified Point Latent Diffusion for Point Cloud Generation
- arxiv url: http://arxiv.org/abs/2311.12090v2
- Date: Fri, 12 Jul 2024 11:29:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-16 05:37:11.017526
- Title: FrePolad: Frequency-Rectified Point Latent Diffusion for Point Cloud Generation
- Title(参考訳): FrePolad: 点雲生成のための周波数可変点潜時拡散
- Authors: Chenliang Zhou, Fangcheng Zhong, Param Hanji, Zhilin Guo, Kyle Fogarty, Alejandro Sztrajman, Hongyun Gao, Cengiz Oztireli,
- Abstract要約: FrePoladは、生成タスクのポイントクラウド濃度において、高品質、多様性、柔軟性を同時に達成します。
FrePoladは、潜伏した形状分布上の条件として点のサンプリングを定式化することにより、変動点雲の濃度をサポートする。
- 参考スコア(独自算出の注目度): 39.26184709508791
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We propose FrePolad: frequency-rectified point latent diffusion, a point cloud generation pipeline integrating a variational autoencoder (VAE) with a denoising diffusion probabilistic model (DDPM) for the latent distribution. FrePolad simultaneously achieves high quality, diversity, and flexibility in point cloud cardinality for generation tasks while maintaining high computational efficiency. The improvement in generation quality and diversity is achieved through (1) a novel frequency rectification via spherical harmonics designed to retain high-frequency content while learning the point cloud distribution; and (2) a latent DDPM to learn the regularized yet complex latent distribution. In addition, FrePolad supports variable point cloud cardinality by formulating the sampling of points as conditional distributions over a latent shape distribution. Finally, the low-dimensional latent space encoded by the VAE contributes to FrePolad's fast and scalable sampling. Our quantitative and qualitative results demonstrate FrePolad's state-of-the-art performance in terms of quality, diversity, and computational efficiency. Project page: https://chenliang-zhou.github.io/FrePolad/.
- Abstract(参考訳): 本稿では,周波数補正点潜時拡散(FrePolad):変分オートエンコーダ(VAE)と変分拡散確率モデル(DDPM)を統合した点雲生成パイプライン。
FrePoladは、高い計算効率を維持しながら、生成タスクのポイントクラウド濃度において、高品質、多様性、柔軟性を同時に達成します。
生成品質と多様性の向上は,(1)点雲分布を学習しながら高周波コンテンツを保持できる球面高調波による新しい周波数補正,(2)規則化されたが複雑な潜伏分布を学習するための潜伏DDPMによって達成される。
さらに、FrePolad は変点雲濃度を、潜伏した形状分布上の条件分布として点のサンプリングを定式化することによって支持する。
最後に、VAEによって符号化された低次元の潜伏空間は、FrePoladの高速でスケーラブルなサンプリングに寄与する。
我々の定量および定性的な結果は、FrePoladの質、多様性、計算効率の点で最先端の性能を示している。
プロジェクトページ: https://chenliang-zhou.github.io/FrePolad/。
関連論文リスト
- Enhancing Diffusion-based Point Cloud Generation with Smoothness Constraint [5.140589325829964]
拡散モデルはポイントクラウド生成タスクで人気がある。
点雲生成のための拡散フレームワークに局所的滑らか性制約を組み込むことを提案する。
実験により、提案モデルが現実的な形状とスムーズな点雲を生成できることを示した。
論文 参考訳(メタデータ) (2024-04-03T01:55:15Z) - A Conditional Denoising Diffusion Probabilistic Model for Point Cloud
Upsampling [10.390581335119098]
PUDMと呼ばれる点群アップサンプリングのための条件分解拡散確率モデル(DDPM)を提案する。
PUDMはスパース点雲を条件として扱い、高密度点雲と雑音の間の変換関係を反復的に学習する。
PUDMは実験結果に強い耐雑音性を示す。
論文 参考訳(メタデータ) (2023-12-03T12:41:41Z) - DiffuSeq-v2: Bridging Discrete and Continuous Text Spaces for
Accelerated Seq2Seq Diffusion Models [58.450152413700586]
ガウス空間に基づく離散突然変異を再構成する学習において拡散モデルを容易にする軟吸収状態を導入する。
我々は、サンプリングプロセスの高速化のために、連続空間内で最先端のODEソルバを用いている。
提案手法は, トレーニング収束率を4倍に向上させ, 類似品質のサンプルを800倍高速に生成する。
論文 参考訳(メタデータ) (2023-10-09T15:29:10Z) - Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。
本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文 参考訳(メタデータ) (2023-06-27T08:15:28Z) - Bayesian Over-the-Air FedAvg via Channel Driven Stochastic Gradient
Langevin Dynamics [41.58760966569499]
本稿では,無線システムにおけるFALDを実現するプロトコルである無線FALDを提案する。
WFALDはモンテカルロ更新のためのオーバー・ザ・エア計算とチャネル駆動サンプリングを統合している。
解析と実験により、信号対雑音比が十分に大きい場合には、モンテカルロサンプリングのためにチャネルノイズを完全に再利用できることが示されている。
論文 参考訳(メタデータ) (2023-05-07T00:10:55Z) - Controllable Mesh Generation Through Sparse Latent Point Diffusion
Models [105.83595545314334]
メッシュ生成のための新しいスパース潜在点拡散モデルを設計する。
私たちの重要な洞察は、ポイントクラウドをメッシュの中間表現と見なし、代わりにポイントクラウドの分布をモデル化することです。
提案したスパース潜在点拡散モデルにより,生成品質と制御性において優れた性能が得られる。
論文 参考訳(メタデータ) (2023-03-14T14:25:29Z) - Arbitrary Point Cloud Upsampling with Spherical Mixture of Gaussians [1.2375561840897737]
APU-SMOGはArbitrary Point Cloud Upsampling (APU)のためのTransformerベースのモデルである
APU-SMOGは最先端の固定比法より優れている。
論文 参考訳(メタデータ) (2022-08-10T11:10:16Z) - PUFA-GAN: A Frequency-Aware Generative Adversarial Network for 3D Point
Cloud Upsampling [56.463507980857216]
本稿では,点群アップサンプリングのための生成的対向ネットワークを提案する。
基底表面に均等に分布するアップサンプリングポイントを作成できるだけでなく、クリーンな高周波領域を効率的に生成することができる。
論文 参考訳(メタデータ) (2022-03-02T07:47:46Z) - 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)
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。