論文の概要: PointInfinity: Resolution-Invariant Point Diffusion Models

• arxiv url: http://arxiv.org/abs/2404.03566v1
• Date: Thu, 4 Apr 2024 16:24:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-05 14:12:26.336125
• Title: PointInfinity: Resolution-Invariant Point Diffusion Models
• Title（参考訳）: 点無限性:分解能不変点拡散モデル
• Authors: Zixuan Huang, Justin Johnson, Shoubhik Debnath, James M. Rehg, Chao-Yuan Wu,
• Abstract要約: 我々は、点雲拡散モデルの効率的なファミリーであるポイントインフィニティを提示する。 私たちの中核的な考え方は、固定サイズ、解像度不変の潜在表現を備えたトランスフォーマーベースのアーキテクチャを使用することです。 テストタイムの解像度をトレーニングの解像度を超えて拡大することで、生成された点雲の忠実度が向上することを示す。
• 参考スコア（独自算出の注目度）: 39.52538685645652
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present PointInfinity, an efficient family of point cloud diffusion models. Our core idea is to use a transformer-based architecture with a fixed-size, resolution-invariant latent representation. This enables efficient training with low-resolution point clouds, while allowing high-resolution point clouds to be generated during inference. More importantly, we show that scaling the test-time resolution beyond the training resolution improves the fidelity of generated point clouds and surfaces. We analyze this phenomenon and draw a link to classifier-free guidance commonly used in diffusion models, demonstrating that both allow trading off fidelity and variability during inference. Experiments on CO3D show that PointInfinity can efficiently generate high-resolution point clouds (up to 131k points, 31 times more than Point-E) with state-of-the-art quality.
• Abstract（参考訳）: 我々は、点雲拡散モデルの効率的なファミリーであるポイントインフィニティを提示する。 私たちの中核的な考え方は、固定サイズ、解像度不変の潜在表現を備えたトランスフォーマーベースのアーキテクチャを使用することです。 これにより、低解像度の点雲による効率的なトレーニングを可能にし、推論中に高解像度の点雲を生成することができる。 さらに重要なことは、トレーニングの解像度を超えてテスト時間の解決をスケールすることで、生成された点雲と表面の忠実度が向上することを示している。 この現象を解析し,拡散モデルでよく用いられる分類器フリーガイダンスへのリンクを抽出し,両者が推論中に不確かさと変動性を取引できることを実証した。 CO3Dの実験により、ポイントインフィニティは最先端の品質を持つ高解像度の点雲(最大131k、ポイントEの31倍)を効率的に生成できることが示された。

関連論文リスト

• Efficient and Scalable Point Cloud Generation with Sparse Point-Voxel Diffusion Models [6.795447206159906]
  本稿では3次元生成モデルのための新しい点雲U-Net拡散アーキテクチャを提案する。 我々のネットワークは、高分解能な点表現とスパースボクセルの計算効率を組み合わせた二重分岐アーキテクチャを採用している。 我々のモデルは全てのタスクに優れており、ポイントクラウド生成モデルのための最先端の拡散U-Netとして確立されている。
  論文  参考訳（メタデータ） (2024-08-12T13:41:47Z)
• Neural Point Cloud Diffusion for Disentangled 3D Shape and Appearance Generation [29.818827785812086]
  コントロール可能な3Dアセットの生成は、映画、ゲーム、エンジニアリングにおけるコンテンツ作成やAR/VRなど、多くの実用的なアプリケーションにとって重要である。 本稿では,3次元拡散モデルに対して,ハイブリッド点雲とニューラル放射場アプローチを導入することで,絡み合いを実現するための適切な表現を提案する。
  論文  参考訳（メタデータ） (2023-12-21T18:46:27Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• 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)
• 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)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)
• 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)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)

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。