論文の概要: Enhancing Diffusion-based Point Cloud Generation with Smoothness Constraint

• arxiv url: http://arxiv.org/abs/2404.02396v1
• Date: Wed, 3 Apr 2024 01:55:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 18:49:24.902934
• Title: Enhancing Diffusion-based Point Cloud Generation with Smoothness Constraint
• Title（参考訳）: Smoothness Constraintによる拡散型点雲生成の促進
• Authors: Yukun Li, Liping Liu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.140589325829964
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Diffusion models have been popular for point cloud generation tasks. Existing works utilize the forward diffusion process to convert the original point distribution into a noise distribution and then learn the reverse diffusion process to recover the point distribution from the noise distribution. However, the reverse diffusion process can produce samples with non-smooth points on the surface because of the ignorance of the point cloud geometric properties. We propose alleviating the problem by incorporating the local smoothness constraint into the diffusion framework for point cloud generation. Experiments demonstrate the proposed model can generate realistic shapes and smoother point clouds, outperforming multiple state-of-the-art methods.
• Abstract（参考訳）: 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。 既存の作業では前方拡散法を用いて、元の点分布をノイズ分布に変換し、逆拡散法を学習し、ノイズ分布から点分布を復元する。 しかし、逆拡散過程は、点雲の幾何学的性質の無知のため、表面上の非滑らかな点を持つサンプルを生成することができる。 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により問題を緩和する。 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。

関連論文リスト

• Point Cloud Resampling with Learnable Heat Diffusion [58.050130177241186]
  ポイントクラウド再サンプリングのための学習可能な熱拡散フレームワークを提案する。 前の固定された拡散モデルとは異なり、適応条件は点雲の幾何学的特徴を選択的に保存する。
  論文  参考訳（メタデータ） (2024-11-21T13:44:18Z)
• Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
  逆問題の解法として, 後方分布からのサンプルの変分推論手法を提案する。 本手法はユークリッド空間の標準信号や多様体上の信号に適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-07-25T09:53:12Z)
• PCRDiffusion: Diffusion Probabilistic Models for Point Cloud Registration [28.633279452622475]
  本稿では,ノイズ変換からオブジェクト変換への拡散過程として,ポイントクラウド登録を定式化する新しいフレームワークを提案する。 トレーニング段階では、オブジェクト変換は地中構造変換からランダムな分布へと拡散し、モデルがこのノイズ発生過程を逆転することを学ぶ。 サンプリング段階では、モデルはランダムに生成された出力への変換をプログレッシブな方法で洗練する。
  論文  参考訳（メタデータ） (2023-12-11T01:56:42Z)
• 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)
• To smooth a cloud or to pin it down: Guarantees and Insights on Score Matching in Denoising Diffusion Models [20.315727650065007]
  微分拡散モデル(Denoising diffusion model)は、最近多くの領域で最先端の結果を得た生成モデルのクラスである。 我々は、F"ollmer flow"に似た既知の接続を利用して、F"ollmer drift"の確立されたニューラルネットワーク近似結果を拡張し、拡散モデルとサンプリング器をデノナイズする。
  論文  参考訳（メタデータ） (2023-05-16T16:56:19Z)
• A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
  逆タスクは、データ上の後続分布を推測するものとして定式化することができる。 しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。 そこで我々は,真の後続分布を近似する設計手法を提案する。
  論文  参考訳（メタデータ） (2023-05-07T23:00:47Z)
• 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)
• ShiftDDPMs: Exploring Conditional Diffusion Models by Shifting Diffusion Trajectories [144.03939123870416]
  本稿では,前処理に条件を導入することで,新しい条件拡散モデルを提案する。 いくつかのシフト規則に基づいて各条件に対して排他的拡散軌跡を割り当てるために、余剰潜在空間を用いる。 我々は textbfShiftDDPMs と呼ぶメソッドを定式化し、既存のメソッドの統一的な視点を提供する。
  論文  参考訳（メタデータ） (2023-02-05T12:48:21Z)
• Diffusion Probabilistic Models for 3D Point Cloud Generation [12.257593992442732]
  我々は,様々な3次元視覚タスクにおいて重要なポイントクラウド生成の確率モデルを提案する。 非平衡熱力学における拡散過程にインスパイアされ、熱浴に接触した熱力学系における点雲の点を粒子とみなす。 我々は、トレーニングのための閉形式における変分境界を導出し、モデルの実装を提供する。
  論文  参考訳（メタデータ） (2021-03-02T03:56:02Z)
• Learning Gradient Fields for Shape Generation [69.85355757242075]
  点雲は、その形状の表面に密度が集中している3D点の分布からサンプルと見なすことができる。 非正規化確率密度の勾配上昇を行うことで点雲を生成する。 本モデルは,ログ密度場の勾配を直接予測し,スコアベース生成モデルに適応した単純な目的で学習することができる。
  論文  参考訳（メタデータ） (2020-08-14T18:06:15Z)

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。