論文の概要: SeaLion: Semantic Part-Aware Latent Point Diffusion Models for 3D Generation

• arxiv url: http://arxiv.org/abs/2505.17721v1
• Date: Fri, 23 May 2025 10:38:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:34.00413
• Title: SeaLion: Semantic Part-Aware Latent Point Diffusion Models for 3D Generation
• Title（参考訳）: SeaLion:3次元生成のための意味的部分認識潜在点拡散モデル
• Authors: Dekai Zhu, Yan Di, Stefan Gavranovic, Slobodan Ilic,
• Abstract要約: 細かなセグメンテーションラベルを持つ点雲を生成するために設計された新しい拡散モデルSeaLionを提案する。 P-CD(Part-Aware Chamfer distance)と呼ばれる新しい点雲対距離計算法も導入する。 大規模合成データセットShapeNetと実世界の医療データセットIntrAの実験は、SeaLionが世代品質と多様性において顕著なパフォーマンスを達成することを実証している。
• 参考スコア（独自算出の注目度）: 13.304150180300208
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Denoising diffusion probabilistic models have achieved significant success in point cloud generation, enabling numerous downstream applications, such as generative data augmentation and 3D model editing. However, little attention has been given to generating point clouds with point-wise segmentation labels, as well as to developing evaluation metrics for this task. Therefore, in this paper, we present SeaLion, a novel diffusion model designed to generate high-quality and diverse point clouds with fine-grained segmentation labels. Specifically, we introduce the semantic part-aware latent point diffusion technique, which leverages the intermediate features of the generative models to jointly predict the noise for perturbed latent points and associated part segmentation labels during the denoising process, and subsequently decodes the latent points to point clouds conditioned on part segmentation labels. To effectively evaluate the quality of generated point clouds, we introduce a novel point cloud pairwise distance calculation method named part-aware Chamfer distance (p-CD). This method enables existing metrics, such as 1-NNA, to measure both the local structural quality and inter-part coherence of generated point clouds. Experiments on the large-scale synthetic dataset ShapeNet and real-world medical dataset IntrA demonstrate that SeaLion achieves remarkable performance in generation quality and diversity, outperforming the existing state-of-the-art model, DiffFacto, by 13.33% and 6.52% on 1-NNA (p-CD) across the two datasets. Experimental analysis shows that SeaLion can be trained semi-supervised, thereby reducing the demand for labeling efforts. Lastly, we validate the applicability of SeaLion in generative data augmentation for training segmentation models and the capability of SeaLion to serve as a tool for part-aware 3D shape editing.
• Abstract（参考訳）: 拡散確率モデルのノイズ化は点クラウド生成において大きな成功を収めており、生成データ拡張や3Dモデル編集など、多くの下流アプリケーションを可能にしている。 しかし、ポイントワイドセグメンテーションラベルを持つ点雲の生成や、このタスクの評価指標の開発にはほとんど注意が払われていない。 そこで本稿では,細粒度セグメンテーションラベルを持つ高品質で多様な点雲を生成するために設計された,新しい拡散モデルSeaLionを提案する。 具体的には、生成モデルの中間的特徴を活用して、遅延点と関連する部分セグメンテーションラベルのノイズを復号化処理中に共同で予測し、その後、部分セグメンテーションラベルに条件付けされた点雲への遅延点を復号する意味的部分認識潜在点拡散手法を提案する。 生成した点雲の品質を効果的に評価するために,パート・アウェア・チャンファー距離 (p-CD) と呼ばれる新しい点雲対距離計算法を導入する。 この方法は1-NNAのような既存のメトリクスが生成した点雲の局所的な構造的品質と部分的コヒーレンスの両方を測定することを可能にする。 大規模合成データセットShapeNetと実世界の医療データセットIntrAの実験では、SeaLionが生成品質と多様性において顕著なパフォーマンスを達成し、既存の最先端モデルであるDiffFactoを13.33%、P-CDで6.52%上回ったことが示されている。 実験分析により、SeaLionは半教師付きでトレーニングできることがわかった。 最後に、セグメンテーションモデルの学習のための生成データ拡張におけるSeaLionの適用性と、部分認識型3D形状編集ツールとしてのSeaLionの機能について検証する。

関連論文リスト

• Generative Data Augmentation for Object Point Cloud Segmentation [19.99464119493308]
  本稿では,ポイントクラウドセグメンテーショントレーニングのための3段階生成データ拡張(GDA)パイプラインを提案する。 提案手法では,少量のラベル付きサンプルしか必要としないが,生成した変種と擬ラベル付きサンプルでトレーニングデータを充実させる。
  論文  参考訳（メタデータ） (2025-05-23T11:56:06Z)
• Bridging Domain Gap of Point Cloud Representations via Self-Supervised Geometric Augmentation [15.881442863961531]
  領域間の点雲表現の幾何学的不変性を誘導する新しいスキームを提案する。 一方、点雲のセントロイドシフトを軽減するために、拡張サンプルの距離の変換を予測するための新しいプレテキストタスクが提案されている。 一方,我々は幾何学的に拡張された点雲上での自己教師付き関係学習の統合を開拓した。
  論文  参考訳（メタデータ） (2024-09-11T02:39:19Z)
• 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)
• Human Semantic Segmentation using Millimeter-Wave Radar Sparse Point Clouds [3.3888257250564364]
  本稿では,ミリ波レーダの粗い逐次点雲のセマンティックセグメンテーションのためのフレームワークを提案する。 mmWaveデータの空間的特徴と時間的トポロジ的特徴は依然として問題である。 グラフ構造とトポロジ的特徴をポイントクラウドに導入し,セマンティックセグメンテーションフレームワークを提案する。 我々のモデルは、$mathbf82.31%$でカスタムデータセットの平均精度を達成し、最先端のアルゴリズムより優れている。
  論文  参考訳（メタデータ） (2023-04-27T12:28:06Z)
• 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)
• Dual Adaptive Transformations for Weakly Supervised Point Cloud Segmentation [78.6612285236938]
  弱制御点雲分割のための新しいDATモデル(textbfDual textbfAdaptive textbfTransformations)を提案する。 我々は,大規模S3DISデータセットとScanNet-V2データセットの2つの人気バックボーンを用いたDATモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-07-19T05:43:14Z)
• Guided Point Contrastive Learning for Semi-supervised Point Cloud Semantic Segmentation [90.2445084743881]
  そこで本研究では,モデル性能を向上させるために,未ラベルの点群をトレーニングに採用するための半教師付き点群セマンティックセマンティックセマンティックセマンティクスを提案する。 近年の自己監督型タスクのコントラスト損失に触発されて,特徴表現とモデル一般化能力を高めるためのガイド付きポイントコントラスト損失を提案する。
  論文  参考訳（メタデータ） (2021-10-15T16:38:54Z)

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。