論文の概要: PDT: Point Distribution Transformation with Diffusion Models

• arxiv url: http://arxiv.org/abs/2507.18939v1
• Date: Fri, 25 Jul 2025 04:20:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-28 16:16:48.817266
• Title: PDT: Point Distribution Transformation with Diffusion Models
• Title（参考訳）: PDT:拡散モデルを用いた点分布変換
• Authors: Jionghao Wang, Cheng Lin, Yuan Liu, Rui Xu, Zhiyang Dou, Xiao-Xiao Long, Hao-Xiang Guo, Taku Komura, Wenping Wang, Xin Li,
• Abstract要約: 拡散モデルを用いた点分布変換のための新しいフレームワークである PDT を提案する。 PDTは入力点の雲を様々な形態の出力に変換することに成功した。
• 参考スコア（独自算出の注目度）: 48.49434688323964
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Point-based representations have consistently played a vital role in geometric data structures. Most point cloud learning and processing methods typically leverage the unordered and unconstrained nature to represent the underlying geometry of 3D shapes. However, how to extract meaningful structural information from unstructured point cloud distributions and transform them into semantically meaningful point distributions remains an under-explored problem. We present PDT, a novel framework for point distribution transformation with diffusion models. Given a set of input points, PDT learns to transform the point set from its original geometric distribution into a target distribution that is semantically meaningful. Our method utilizes diffusion models with novel architecture and learning strategy, which effectively correlates the source and the target distribution through a denoising process. Through extensive experiments, we show that our method successfully transforms input point clouds into various forms of structured outputs - ranging from surface-aligned keypoints, and inner sparse joints to continuous feature lines. The results showcase our framework's ability to capture both geometric and semantic features, offering a powerful tool for various 3D geometry processing tasks where structured point distributions are desired. Code will be available at this link: https://github.com/shanemankiw/PDT.
• Abstract（参考訳）: 点ベースの表現は、幾何学的データ構造において一貫して重要な役割を担っている。 ほとんどの点のクラウド学習と処理方法は、通常、秩序のない性質と制約のない性質を利用して、3次元形状の基礎となる幾何学を表現している。 しかし、構造化されていない点雲分布から意味のある構造情報を抽出し、意味的に意味のある点分布に変換する方法はまだ未解決の問題である。 拡散モデルを用いた点分布変換のための新しいフレームワークである PDT を提案する。 入力点の集合が与えられた後、PDTは元の幾何学的分布から意味論的意味のある対象分布に変換することを学習する。 提案手法は,新たなアーキテクチャと学習戦略を備えた拡散モデルを用いて,音源と目標分布をデノナイジングプロセスを通じて効果的に相関する。 広範にわたる実験により,入力点の雲を様々な形態の構造化された出力に変換できることが判明した。 その結果,構造点分布が望まれる様々な3次元幾何処理タスクのための強力なツールとして,幾何学的特徴と意味的特徴の両方を捕捉するフレームワークの能力を示した。 コードは以下のリンクで入手できる。

関連論文リスト

• Dataset Distillation of 3D Point Clouds via Distribution Matching [10.294595110092407]
  分布マッチングに基づく3次元点雲の蒸留フレームワークを提案する。 点の順序のない索引付けによる意味的ミスアライメントに対処するために,セマンティックアライズド・ディストリクト・マッチング・ロスを導入する。 回転の変動に対処するため、合成データセットを更新しながら最適な回転角を共同学習し、元の特徴分布とよりよく一致させる。
  論文  参考訳（メタデータ） (2025-03-28T05:15:22Z)
• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• DiffFacto: Controllable Part-Based 3D Point Cloud Generation with Cross Diffusion [68.39543754708124]
  DiffFactoは,部品レベルの制御で形状の分布を学習する新しい確率的生成モデルである。 実験により,複数の制御軸を持つ新しい形状を生成可能であることが示された。 最先端のパートレベルの生成品質を実現し、可塑性かつコヒーレントな形状を生成する。
  論文  参考訳（メタデータ） (2023-05-03T06:38:35Z)
• CpT: Convolutional Point Transformer for 3D Point Cloud Processing [10.389972581905]
  CpT: Convolutional Point Transformer - 3Dポイントクラウドデータの非構造化の性質を扱うための新しいディープラーニングアーキテクチャ。 CpTは、既存の注目ベースのConvolutions Neural Networksと、以前の3Dポイントクラウド処理トランスフォーマーの改善である。 我々のモデルは、既存の最先端のアプローチと比較して、様々なポイントクラウド処理タスクの効果的なバックボーンとして機能する。
  論文  参考訳（メタデータ） (2021-11-21T17:45:55Z)
• Geometry-Aware Self-Training for Unsupervised Domain Adaptationon Object Point Clouds [36.49322708074682]
  本稿では,オブジェクトポイントクラウド分類の教師なし領域適応のためのジオメトリ・アウェア・セルフトレーニング(GAST)を提案する。 具体的には,2つの自己監督型幾何学的学習タスクを特徴正規化として,意味カテゴリーのドメイン共有表現を学習することを目的とする。 一方、データセット間の多様な点分布は、新しい曲率認識歪みの局所化によって正規化することができる。
  論文  参考訳（メタデータ） (2021-08-20T13:29:11Z)
• PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
  本稿では,正規化フローを組み込んだPU-Flowについて述べる。 具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。 提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-13T07:45:48Z)
• ODFNet: Using orientation distribution functions to characterize 3D point clouds [0.0]
  点まわりの点配向分布を利用して、点群の表現力のある局所近傍表現を得ます。 新しい ODFNet モデルは ModelNet40 と ScanObjectNN データセットのオブジェクト分類における最先端の精度を実現する。
  論文  参考訳（メタデータ） (2020-12-08T19:54:20Z)
• Spatial Transformer Point Convolution [47.993153127099895]
  点雲上での異方性畳み込みフィルタを実現するための空間変圧器点畳み込み法を提案する。 暗黙的な幾何学的構造を捉え表現するために,特に空間方向辞書を導入する。 変換空間では、標準画像のような畳み込みを利用して異方性フィルタリングを生成することができる。
  論文  参考訳（メタデータ） (2020-09-03T03:12:25Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)
• Cascaded Refinement Network for Point Cloud Completion [74.80746431691938]
  本稿では,細かな物体形状を合成するための粗大な戦略とともに,カスケード型精細化ネットワークを提案する。 部分入力の局所的な詳細と大域的な形状情報を合わせて考えると、既存の詳細を不完全点集合に保存することができる。 また、各局所領域が同じパターンと基底的真理を持つことを保証し、複雑な点分布を学習するパッチ判別器を設計する。
  論文  参考訳（メタデータ） (2020-04-07T13:03:29Z)

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。