論文の概要: StrucADT: Generating Structure-controlled 3D Point Clouds with Adjacency Diffusion Transformer

• arxiv url: http://arxiv.org/abs/2509.23709v1
• Date: Sun, 28 Sep 2025 07:45:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.38978
• Title: StrucADT: Generating Structure-controlled 3D Point Clouds with Adjacency Diffusion Transformer
• Title（参考訳）: StrucADT: 隣接拡散変換器を用いた構造制御3次元点雲の生成
• Authors: Zhenyu Shu, Jiajun Shen, Zhongui Chen, Xiaoguang Han, Shiqing Xin,
• Abstract要約: 本稿では,部分的存在と部分的隣接関係を構成する形状構造を用いて点雲の生成を制御することを提案する。 この構造グラフ表現に基づいて,新しい構造制御可能な点雲生成モデルであるStrucADTを紹介する。 実験により, 構造制御可能な3次元点雲生成法は高品質で多様な点雲を生成することが示された。
• 参考スコア（独自算出の注目度）: 29.632456818352683
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the field of 3D point cloud generation, numerous 3D generative models have demonstrated the ability to generate diverse and realistic 3D shapes. However, the majority of these approaches struggle to generate controllable 3D point cloud shapes that meet user-specific requirements, hindering the large-scale application of 3D point cloud generation. To address the challenge of lacking control in 3D point cloud generation, we are the first to propose controlling the generation of point clouds by shape structures that comprise part existences and part adjacency relationships. We manually annotate the adjacency relationships between the segmented parts of point cloud shapes, thereby constructing a StructureGraph representation. Based on this StructureGraph representation, we introduce StrucADT, a novel structure-controllable point cloud generation model, which consists of StructureGraphNet module to extract structure-aware latent features, cCNF Prior module to learn the distribution of the latent features controlled by the part adjacency, and Diffusion Transformer module conditioned on the latent features and part adjacency to generate structure-consistent point cloud shapes. Experimental results demonstrate that our structure-controllable 3D point cloud generation method produces high-quality and diverse point cloud shapes, enabling the generation of controllable point clouds based on user-specified shape structures and achieving state-of-the-art performance in controllable point cloud generation on the ShapeNet dataset.
• Abstract（参考訳）: 3Dポイントクラウド生成の分野では、多くの3D生成モデルが多様で現実的な3D形状を生成する能力を示している。 しかし、これらのアプローチの大半は、ユーザ固有の要件を満たすコントロール可能な3Dポイントクラウド形状を生成するのに苦労し、3Dポイントクラウド生成の大規模適用を妨げる。 3次元点雲生成における制御の欠如に対処するため,我々は,部分的存在と部分的隣接関係からなる形状構造を用いて点雲の生成を制御することを提案する。 我々は,点雲形状の分割部分間の隣接関係を手動で注釈付けし,構造グラフ表現を構築する。 この構造グラフ表現に基づいて,StrucADTという構造制御可能な新しい点雲生成モデルを導入する。StrucADTは構造認識型遅延特徴を抽出するためのStrucGraphNetモジュールであり,cCNFは部分隣接性によって制御される潜時特徴の分布を学習するための事前モジュールであり,また,遅延特性に条件付き拡散トランスフォーマーモジュールは構造整合点雲の形状を生成する。 実験により, 制御可能な3次元点雲生成手法は高品質で多様な点雲を生成することを示し, ユーザが指定した形状構造に基づいて制御可能な点雲の生成を可能にし, 制御可能な点雲生成における最先端の性能をShapeNetデータセット上で達成できることを示した。

関連論文リスト

• 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)
• 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)
• 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)
• Autoregressive 3D Shape Generation via Canonical Mapping [92.91282602339398]
  トランスフォーマーは、画像、音声、テキスト生成など、様々な生成タスクで顕著なパフォーマンスを示している。 本稿では,変圧器のパワーをさらに活用し,それを3Dポイントクラウド生成のタスクに活用することを目的とする。 条件付き形状生成への応用として,本モデルを簡単にマルチモーダル形状完成に拡張することができる。
  論文  参考訳（メタデータ） (2022-04-05T03:12:29Z)
• EditVAE: Unsupervised Part-Aware Controllable 3D Point Cloud Shape Generation [19.817166425038753]
  本稿では,パートアウェアポイントクラウド生成の問題に対処する。 変分オートエンコーダの簡単な修正により、点雲自体のジョイントモデルが得られる。 歪んだ表現によって得られる柔軟性に加えて、我々のジョイントモデリングアプローチによって導入された帰納バイアスは、ShapeNetデータセットの最先端の実験結果をもたらす。
  論文  参考訳（メタデータ） (2021-10-13T12:38:01Z)

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。