論文の概要: A Hybrid Generative and Discriminative PointNet on Unordered Point Sets

• arxiv url: http://arxiv.org/abs/2404.12925v1
• Date: Fri, 19 Apr 2024 14:52:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-22 14:46:18.466367
• Title: A Hybrid Generative and Discriminative PointNet on Unordered Point Sets
• Title（参考訳）: 非順序点集合上のハイブリッド生成と識別のポイントネット
• Authors: Yang Ye, Shihao Ji,
• Abstract要約: 本稿では, GDPNet を最初のハイブリッド生成・識別型ポイントネットとして提案する。 我々のGDPNetは、最新のPointNet分類器の強力な差別力を維持しつつ、最先端のジェネレーティブアプローチに匹敵するポイントクラウドサンプルを生成しています。
• 参考スコア（独自算出の注目度）: 6.282930329443868
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As point cloud provides a natural and flexible representation usable in myriad applications (e.g., robotics and self-driving cars), the ability to synthesize point clouds for analysis becomes crucial. Recently, Xie et al. propose a generative model for unordered point sets in the form of an energy-based model (EBM). Despite the model achieving an impressive performance for point cloud generation, one separate model needs to be trained for each category to capture the complex point set distributions. Besides, their method is unable to classify point clouds directly and requires additional fine-tuning for classification. One interesting question is: Can we train a single network for a hybrid generative and discriminative model of point clouds? A similar question has recently been answered in the affirmative for images, introducing the framework of Joint Energy-based Model (JEM), which achieves high performance in image classification and generation simultaneously. This paper proposes GDPNet, the first hybrid Generative and Discriminative PointNet that extends JEM for point cloud classification and generation. Our GDPNet retains strong discriminative power of modern PointNet classifiers, while generating point cloud samples rivaling state-of-the-art generative approaches.
• Abstract（参考訳）: ポイントクラウドは、無数のアプリケーション(例えばロボティクスや自動運転車)で使える自然で柔軟な表現を提供するので、分析のためにポイントクラウドを合成する能力は重要になる。 近年、Xie et al はエネルギーベースモデル (EBM) の形で非順序点集合の生成モデルを提案している。 ポイントクラウド生成の素晴らしいパフォーマンスを達成するモデルにもかかわらず、複雑なポイントセットの分布をキャプチャするために、各カテゴリごとに1つの別々のモデルをトレーニングする必要があります。 さらに、これらの手法は点雲を直接分類することができず、分類にさらなる微調整が必要である。 興味深い質問は: ポイントクラウドのハイブリッド生成および識別モデルのために、単一のネットワークをトレーニングできるか? 画像分類と生成を同時に行うジョイント・エナジー・ベース・モデル(JEM)の枠組みを導入し,画像に対する肯定的回答を得た。 本稿では、ポイントクラウドの分類と生成のためにJEMを拡張した、最初のハイブリッドな生成と識別のポイントネットであるGDPNetを提案する。 我々のGDPNetは、最新のPointNet分類器の強力な差別力を維持しつつ、最先端のジェネレーティブアプローチに匹敵するポイントクラウドサンプルを生成しています。

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)
• 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)
• General Point Model with Autoencoding and Autoregressive [55.051626723729896]
  本稿では,ポイントクラウドトランスにおける自動エンコーディングと自己回帰タスクをシームレスに統合する汎用ポイントモデルを提案する。 このモデルは汎用性が高く、ダウンストリームポイントクラウド表現タスクの微調整や、条件なしおよび条件付き生成タスクが可能である。
  論文  参考訳（メタデータ） (2023-10-25T06:08:24Z)
• 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)
• 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)
• Representing Point Clouds with Generative Conditional Invertible Flow Networks [15.280751949071016]
  クラウド固有の確率分布から抽出したサンプルの集合として,点雲を表現するための簡易かつ効果的な方法を提案する。 提案手法は, 生成的非可逆フローネットワークを利用して埋め込みを学習し, 点雲を生成する。 私たちのモデルは、ベンチマークデータセット上で、競争力または優れた定量的結果を提供します。
  論文  参考訳（メタデータ） (2020-10-07T18:30:47Z)
• Multi-scale Receptive Fields Graph Attention Network for Point Cloud Classification [35.88116404702807]
  MRFGATアーキテクチャはModelNet10とModelNet40データセットでテストされている。 その結果,形状分類作業における最先端性能が得られた。
  論文  参考訳（メタデータ） (2020-09-28T13:01:28Z)
• Generative PointNet: Deep Energy-Based Learning on Unordered Point Sets for 3D Generation, Reconstruction and Classification [136.57669231704858]
  エネルギーモデルを用いて, 点雲などの無秩序点集合の生成モデルを提案する。 我々はこのモデルをジェネレーティブ・ポイントネット(Generative PointNet)と呼んでいる。
  論文  参考訳（メタデータ） (2020-04-02T23:08:10Z)

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。