Fugu-MT 論文翻訳(概要): SketchDNN: Joint Continuous-Discrete Diffusion for CAD Sketch Generation

論文の概要: SketchDNN: Joint Continuous-Discrete Diffusion for CAD Sketch Generation

arxiv url: http://arxiv.org/abs/2507.11579v1
Date: Tue, 15 Jul 2025 08:27:31 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-17 19:00:11.082815
Title: SketchDNN: Joint Continuous-Discrete Diffusion for CAD Sketch Generation
Title（参考訳）: SketchDNN:CADスケッチ生成のための連続離散拡散
Authors: Sathvik Chereddy, John Femiani,
Abstract要約: 本研究では,CADスケッチの生成モデルであるSketchDNNについて述べる。我々の中心となる革新はガウス-ソフトマックス拡散(英語版)であり、ガウス雑音でゆがんだロジットが確率的単純度に投影される。 Fr'echet Inception Distance (FID) は16.04から7.80に減少し,NLLは84.8から81.33に低下した。
参考スコア（独自算出の注目度）: 3.591122855617648
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We present SketchDNN, a generative model for synthesizing CAD sketches that jointly models both continuous parameters and discrete class labels through a unified continuous-discrete diffusion process. Our core innovation is Gaussian-Softmax diffusion, where logits perturbed with Gaussian noise are projected onto the probability simplex via a softmax transformation, facilitating blended class labels for discrete variables. This formulation addresses 2 key challenges, namely, the heterogeneity of primitive parameterizations and the permutation invariance of primitives in CAD sketches. Our approach significantly improves generation quality, reducing Fr\'echet Inception Distance (FID) from 16.04 to 7.80 and negative log-likelihood (NLL) from 84.8 to 81.33, establishing a new state-of-the-art in CAD sketch generation on the SketchGraphs dataset.
Abstract（参考訳）: 本研究では,CADスケッチの合成モデルであるSketchDNNを提案する。我々の中心となる革新はガウス・ソフトマックス拡散(英語版)であり、ガウスノイズに摂動したロジットはソフトマックス変換によって確率単純性に投影され、離散変数の混合クラスラベルが促進される。この定式化は、プリミティブパラメータ化の不均一性とCADスケッチにおけるプリミティブの置換不変性という、2つの重要な課題に対処する。提案手法は生成品質を大幅に向上させ,Fr'echet Inception Distance(FID)を16.04から7.80に,負のログ類似度(NLL)を84.8から81.33に削減し,SketchGraphsデータセット上でCADスケッチ生成の最先端性を確立した。

関連論文リスト

FlatCAD: Fast Curvature Regularization of Neural SDFs for CAD Models [41.13351630648502]
混合二階項のみを正規化する曲率プロキシを提案する。メソッドはドロップインでフレームワークに依存しないため、スケーラブルで曲率に敏感なSDF学習への実践的な道を開く。
論文参考訳（メタデータ） (2025-06-19T21:54:08Z)
Almost Linear Convergence under Minimal Score Assumptions: Quantized Transition Diffusion [25.542593757387095]
本稿では,データ量子化と離散拡散力学を統合する新しい手法である量子化遷移拡散(QTD)を提案する。提案手法はまず,連続データ分布の$p_*$をヒストグラム近似とバイナリ符号化により離散的な$q_*$に変換する。逆時間サンプリングでは,逆CTMCをシミュレートするために,テクスティットランキャットによる一様化手法を導入する。
論文参考訳（メタデータ） (2025-05-28T02:10:11Z)
CLR-Wire: Towards Continuous Latent Representations for 3D Curve Wireframe Generation [11.447223770747051]
CLR ContinuousWireは曲線をパラメトリック曲線としてエンコードし、パラメトリック曲線を連続的で固定された潜在空間に変換する。この統一されたアプローチは幾何学と位相の両方を生成する。
論文参考訳（メタデータ） (2025-04-27T09:32:42Z)
On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文参考訳（メタデータ） (2024-05-18T15:59:41Z)
Bridging Discrete and Backpropagation: Straight-Through and Beyond [62.46558842476455]
本稿では,離散潜在変数の生成に関わるパラメータの勾配を近似する新しい手法を提案する。本稿では,Hunの手法とODEを解くための2次数値法を統合することで,2次精度を実現するReinMaxを提案する。
論文参考訳（メタデータ） (2023-04-17T20:59:49Z)
SketchySGD: Reliable Stochastic Optimization via Randomized Curvature Estimates [19.420605210427635]
SketchySGDは、サブサンプルヘッセンに対するランダム化低ランク近似を用いることで、機械学習の既存の勾配法を改善する。固定段数を持つSketchySGDが最適の周りの小さな球に線形に収束することを理論的に示す。条件のない設定では、最小二乗問題に対してSketchySGDはSGDよりも高速に収束することを示す。
論文参考訳（メタデータ） (2022-11-16T01:05:41Z)
Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文参考訳（メタデータ） (2022-02-05T08:21:04Z)
Cogradient Descent for Dependable Learning [64.02052988844301]
双線形最適化問題に対処するために,CoGDアルゴリズムに基づく信頼度の高い学習法を提案する。 CoGDは、ある変数がスパーシティ制約を持つ場合の双線形問題を解くために導入された。また、特徴と重みの関連を分解するためにも使用できるため、畳み込みニューラルネットワーク(CNN)をより良く訓練するための我々の手法をさらに一般化することができる。
論文参考訳（メタデータ） (2021-06-20T04:28:20Z)
SketchGen: Generating Constrained CAD Sketches [34.26732809515799]
異種性問題に対処するトランスフォーマーアーキテクチャに基づく生成モデルとしてSketchGenを提案する。私たちの仕事のハイライトは、最終的なアウトプットをより規則化するための制約によってリンクされたプリミティブを生成する機能です。
論文参考訳（メタデータ） (2021-06-04T20:45:03Z)
A Distributed Optimisation Framework Combining Natural Gradient with Hessian-Free for Discriminative Sequence Training [16.83036203524611]
本稿では、ニューラルネットワークトレーニングのための自然勾配およびヘッセンフリー(NGHF)最適化フレームワークを提案する。これは、自然勾配(ng)法とヘッセンフリー(hf)や他の二次法からの局所曲率情報を組み合わせた線形共役勾配(cg)アルゴリズムに依存している。さまざまな音響モデルタイプのマルチジャンル放送データセットで実験が報告されています。
論文参考訳（メタデータ） (2021-03-12T22:18:34Z)
Score-Based Generative Modeling through Stochastic Differential Equations [114.39209003111723]
複素データ分布を雑音を注入することによって既知の事前分布に変換する微分方程式を提案する。対応する逆時間SDEは、ノイズを緩やかに除去し、先行分布をデータ分布に戻す。スコアベース生成モデリングの進歩を活用することで、これらのスコアをニューラルネットワークで正確に推定することができる。スコアベース生成モデルから1024×1024画像の高忠実度生成を初めて示す。
論文参考訳（メタデータ） (2020-11-26T19:39:10Z)
Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文参考訳（メタデータ） (2020-09-29T12:50:33Z)
B\'ezierSketch: A generative model for scalable vector sketches [132.5223191478268]
B'ezierSketchは、完全ベクトルスケッチのための新しい生成モデルであり、自動的にスケーラブルで高解像度である。まず,各ストロークを最適なB'ezier曲線に埋め込むようにエンコーダを訓練する。これにより、スケッチをパラマタライズされたストロークの短いシーケンスとして扱うことができ、これにより、より長いスケッチのために、より多くのキャパシティを持つ再帰的なスケッチジェネレータを訓練することができる。
論文参考訳（メタデータ） (2020-07-04T21:30:52Z)

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。