論文の概要: ProxelGen: Generating Proteins as 3D Densities
- arxiv url: http://arxiv.org/abs/2506.19820v1
- Date: Tue, 24 Jun 2025 17:35:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-25 19:48:23.750684
- Title: ProxelGen: Generating Proteins as 3D Densities
- Title（参考訳）: ProxelGen:タンパク質を3D密度で生成する
- Authors: Felix Faltings, Hannes Stark, Regina Barzilay, Tommi Jaakkola,
- Abstract要約: ProxelGenは、一般的な3Dポイントクラウド表現とは対照的に、3D密度で動作する。
我々は3次元CNNベースのVAEでプロクセルとしてコードされたタンパク質を,その潜在空間で動作する拡散モデルとともに生成する。
最先端モデルと比較すると、ProxelGenのサンプルはより新規性が高く、FIDスコアが良く、トレーニングセットと同じレベルの設計性が得られる。
- 参考スコア（独自算出の注目度）: 25.005773125007707
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We develop ProxelGen, a protein structure generative model that operates on 3D densities as opposed to the prevailing 3D point cloud representations. Representing proteins as voxelized densities, or proxels, enables new tasks and conditioning capabilities. We generate proteins encoded as proxels via a 3D CNN-based VAE in conjunction with a diffusion model operating on its latent space. Compared to state-of-the-art models, ProxelGen's samples achieve higher novelty, better FID scores, and the same level of designability as the training set. ProxelGen's advantages are demonstrated in a standard motif scaffolding benchmark, and we show how 3D density-based generation allows for more flexible shape conditioning.
- Abstract（参考訳）: ProxelGenというタンパク質構造生成モデルを開発し、3Dポイントの雲表現とは対照的に3D密度で動作する。
タンパク質を酸化密度またはプロクセルとして表現することは、新しいタスクと条件付け機能を可能にする。
我々は3次元CNNベースのVAEでプロクセルとしてコードされたタンパク質を,その潜在空間で動作する拡散モデルとともに生成する。
最先端モデルと比較すると、ProxelGenのサンプルはより新規性が高く、FIDスコアが良く、トレーニングセットと同じレベルの設計性が得られる。
ProxelGenの利点は標準的なモチーフスキャフォールディングベンチマークで示されており、3D密度ベースの生成がより柔軟な形状条件付けを可能にしていることを示す。
関連論文リスト
- Prometheus: 3D-Aware Latent Diffusion Models for Feed-Forward Text-to-3D Scene Generation [51.36926306499593]
Prometheusはオブジェクトレベルとシーンレベルの両方を秒単位でテキストから3D生成するための3D対応潜時拡散モデルである。
遅延拡散パラダイムにおいて、3Dシーン生成を多視点, フィードフォワード, ピクセルアラインな3Dガウス生成として定式化する。
論文 参考訳（メタデータ） (2024-12-30T17:44:23Z) - Structured 3D Latents for Scalable and Versatile 3D Generation [28.672494137267837]
汎用的で高品質な3Dアセット作成のための新しい3D生成手法を提案する。
基本となるのは、異なる出力フォーマットへのデコードを可能にする、構造化されたLATent表現である。
これは、疎人口の少ない3Dグリッドと、強力な視覚基盤モデルから抽出された濃密な多視点視覚特徴を統合することで実現される。
論文 参考訳（メタデータ） (2024-12-02T13:58:38Z) - MeshXL: Neural Coordinate Field for Generative 3D Foundation Models [51.1972329762843]
本稿では,現代の大規模言語モデルを用いた3次元メッシュ生成のプロセスに対処する,事前学習型自己回帰モデルの生成ファミリを提案する。
MeshXLは高品質な3Dメッシュを生成することができ、さまざまなダウンストリームアプリケーションの基盤モデルとしても機能する。
論文 参考訳（メタデータ） (2024-05-31T14:35:35Z) - Pushing Auto-regressive Models for 3D Shape Generation at Capacity and Scalability [118.26563926533517]
自己回帰モデルでは,格子空間における関節分布をモデル化することにより,2次元画像生成において顕著な結果が得られた。
自動回帰モデルを3次元領域に拡張し,キャパシティとスケーラビリティを同時に向上することにより,3次元形状生成の強力な能力を求める。
論文 参考訳（メタデータ） (2024-02-19T15:33:09Z) - 3D-LDM: Neural Implicit 3D Shape Generation with Latent Diffusion Models [8.583859530633417]
自動復号器の潜時空間で動作する3次元形状のニューラル暗黙表現のための拡散モデルを提案する。
これにより、多種多様な高品質な3D表面を生成できます。
論文 参考訳（メタデータ） (2022-12-01T20:00:00Z) - LION: Latent Point Diffusion Models for 3D Shape Generation [80.07575067829141]
3次元形状生成のための階層的潜在点拡散モデル(LION)を導入する。
LION は、大域的なラテント表現と点構造ラテント空間を組み合わせた階層ラテント空間を持つ変分オートエンコーダ (VAE) として設定される。
実験的に、LIONは複数のShapeNetベンチマークで最先端の生成性能を達成する。
論文 参考訳（メタデータ） (2022-10-12T08:25:31Z)
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。