論文の概要: DiffPCN: Latent Diffusion Model Based on Multi-view Depth Images for Point Cloud Completion

• arxiv url: http://arxiv.org/abs/2509.23723v1
• Date: Sun, 28 Sep 2025 08:05:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.40012
• Title: DiffPCN: Latent Diffusion Model Based on Multi-view Depth Images for Point Cloud Completion
• Title（参考訳）: DiffPCN:ポイントクラウド補完のための多視点深度画像に基づく潜時拡散モデル
• Authors: Zijun Li, Hongyu Yan, Shijie Li, Kunming Luo, Li Lu, Xulei Yang, Weisi Lin,
• Abstract要約: DiffPCN(DiffPCN)を提案する。 提案手法は, 粗い点雲を発生させる初期段階と, 品質を向上する改良段階の2段階からなる。 実験の結果,DiffPCNは幾何的精度と形状の完全性において最先端の性能を発揮することがわかった。
• 参考スコア（独自算出の注目度）: 63.89701893364156
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Latent diffusion models (LDMs) have demonstrated remarkable generative capabilities across various low-level vision tasks. However, their potential for point cloud completion remains underexplored due to the unstructured and irregular nature of point clouds. In this work, we propose DiffPCN, a novel diffusion-based coarse-to-fine framework for point cloud completion. Our approach comprises two stages: an initial stage for generating coarse point clouds, and a refinement stage that improves their quality through point denoising and upsampling. Specifically, we first project the unordered and irregular partial point cloud into structured depth images, which serve as conditions for a well-designed DepthLDM to synthesize completed multi-view depth images that are used to form coarse point clouds. In this way, our DiffPCN can yield high-quality and high-completeness coarse point clouds by leveraging LDM' s powerful generation and comprehension capabilities. Then, since LDMs inevitably introduce outliers into the generated depth maps, we design a Point Denoising Network to remove artifacts from the coarse point cloud by predicting a per-point distance score. Finally, we devise an Association-Aware Point Upsampler, which guides the upsampling process by leveraging local association features between the input point cloud and the corresponding coarse points, further yielding a dense and high-fidelity output. Experimental results demonstrate that our DiffPCN achieves state-of-the-art performance in geometric accuracy and shape completeness, significantly improving the robustness and consistency of point cloud completion.
• Abstract（参考訳）: 潜在拡散モデル(LDM)は、様々な低レベル視覚タスクにおいて顕著な生成能力を示す。 しかし、点雲の非構造的かつ不規則な性質のため、点雲の完成の可能性はまだ探索されていない。 そこで本研究では,DiffPCNを提案する。 提案手法は, 粗い点雲を発生させる初期段階と, 点分解, アップサンプリングによる品質向上段階の2段階からなる。 具体的には,不規則かつ不規則な部分点雲を構造化深度画像に投影し,これをよく設計されたDepthLDMの条件として,粗い点雲を形成するために使用する多視点深度画像の合成を行う。 このようにして、当社のDiffPCNは、LDMの強力な生成と理解能力を活用することで、高品質で高精度な粗い点雲を得ることができる。 そして, LDMが生成した深度マップにアウトレイラを必然的に導入するため, 粗い点雲からアーティファクトを除去するポイントデノイングネットワークを設計し, 点間距離スコアを予測した。 最後に,アソシエーション・アウェア・ポイント・アップサンプラーを考案し,アソシエーション・アウェア・ポイント・アップサンプラーを用いて,入力点クラウドと対応する粗い点との間の局所的な関連性を利用して,高密度かつ高忠実な出力を得る。 実験により,DiffPCNは幾何的精度と形状の完全性において最先端の性能を達成し,点雲の完全性の堅牢性と一貫性を著しく向上することを示した。

関連論文リスト

• 3D Point Cloud Generation via Autoregressive Up-sampling [60.05226063558296]
  我々は3Dポイントクラウド生成のための先駆的な自己回帰生成モデルを導入する。 視覚的自己回帰モデリングにインスパイアされた我々は、ポイントクラウド生成を自己回帰的アップサンプリングプロセスとして概念化する。 PointARUは、3Dポイントの雲を粗いものから細かいものへと徐々に洗練する。
  論文  参考訳（メタデータ） (2025-03-11T16:30:45Z)
• A Conditional Denoising Diffusion Probabilistic Model for Point Cloud Upsampling [10.390581335119098]
  PUDMと呼ばれる点群アップサンプリングのための条件分解拡散確率モデル(DDPM)を提案する。 PUDMはスパース点雲を条件として扱い、高密度点雲と雑音の間の変換関係を反復的に学習する。 PUDMは実験結果に強い耐雑音性を示す。
  論文  参考訳（メタデータ） (2023-12-03T12:41:41Z)
• 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)
• 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)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)
• Deep Point Set Resampling via Gradient Fields [11.5128379063303]
  現実世界のオブジェクトやシーンをスキャンして取得した3Dポイントクラウドは、幅広いアプリケーションを見つけました。 しばしばノイズに悩まされるか、低密度に悩まされるため、表面の再構築や理解といった下流の作業が妨げられる。 本稿では, 点雲の連続勾配場を学習する, 復元のための点集合再サンプリングの新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2021-11-03T07:20:35Z)
• SSPU-Net: Self-Supervised Point Cloud Upsampling via Differentiable Rendering [21.563862632172363]
  地中真理を使わずに高密度の点雲を生成するための自己教師付き点雲アップサンプリングネットワーク(SSPU-Net)を提案する。 これを実現するために,入力スパース点雲と高密度点雲との整合性を利用して画像の形状と描画を行う。
  論文  参考訳（メタデータ） (2021-08-01T13:26:01Z)

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。