論文の概要: MambaH-Fit: Rethinking Hyper-surface Fitting-based Point Cloud Normal Estimation via State Space Modelling

• arxiv url: http://arxiv.org/abs/2510.09088v1
• Date: Fri, 10 Oct 2025 07:35:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:48.38575
• Title: MambaH-Fit: Rethinking Hyper-surface Fitting-based Point Cloud Normal Estimation via State Space Modelling
• Title（参考訳）: MambaH-Fit:状態空間モデリングによる超表面フィッティングに基づく点雲正規化の再考
• Authors: Weijia Wang, Yuanzhi Su, Pei-Gen Ye, Yuan-Gen Wang, Xuequan Lu,
• Abstract要約: 我々は,超表面適合型点雲正規推定に適した状態空間モデリングフレームワークであるMambaH-Fitを提案する。 既存の正規推定法は、しばしば微粒な幾何学構造をモデル化するのに不足する。
• 参考スコア（独自算出の注目度）: 27.976652555145222
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present MambaH-Fit, a state space modelling framework tailored for hyper-surface fitting-based point cloud normal estimation. Existing normal estimation methods often fall short in modelling fine-grained geometric structures, thereby limiting the accuracy of the predicted normals. Recently, state space models (SSMs), particularly Mamba, have demonstrated strong modelling capability by capturing long-range dependencies with linear complexity and inspired adaptations to point cloud processing. However, existing Mamba-based approaches primarily focus on understanding global shape structures, leaving the modelling of local, fine-grained geometric details largely under-explored. To address the issues above, we first introduce an Attention-driven Hierarchical Feature Fusion (AHFF) scheme to adaptively fuse multi-scale point cloud patch features, significantly enhancing geometric context learning in local point cloud neighbourhoods. Building upon this, we further propose Patch-wise State Space Model (PSSM) that models point cloud patches as implicit hyper-surfaces via state dynamics, enabling effective fine-grained geometric understanding for normal prediction. Extensive experiments on benchmark datasets show that our method outperforms existing ones in terms of accuracy, robustness, and flexibility. Ablation studies further validate the contribution of the proposed components.
• Abstract（参考訳）: 我々は,超表面適合型点雲正規推定に適した状態空間モデリングフレームワークであるMambaH-Fitを提案する。 既存の正規推定法は、微粒な幾何学構造をモデル化する際にしばしば不足し、予測された正規の精度が制限される。 近年、状態空間モデル(SSM)、特にMambaは、線形複雑性で長距離依存関係をキャプチャし、ポイントクラウド処理にインスパイアされた適応をすることで、強力なモデリング能力を実証している。 しかし、既存のマンバベースのアプローチは、主にグローバルな形状構造を理解することに焦点を当てており、局所的、きめ細かい幾何学的詳細のモデリングはほとんど探索されていない。 上記の課題に対処するため,我々はまず,マルチスケールのクラウドパッチ機能を適応的に融合するアテンション駆動型階層的特徴融合(AHFF)方式を導入し,局所的なクラウド領域における幾何学的文脈学習を著しく強化した。 そこで本研究では,Patch-wise State Space Model (PSSM)を提案する。 ベンチマークデータセットの大規模な実験により、我々の手法は精度、堅牢性、柔軟性において既存の手法よりも優れていることが示された。 アブレーション研究は、提案された構成要素の貢献をさらに検証する。

関連論文リスト

• PointNSP: Autoregressive 3D Point Cloud Generation with Next-Scale Level-of-Detail Prediction [87.33016661440202]
  自動回帰ポイントクラウド生成は、長い間、拡散ベースの品質アプローチに遅れを取ってきた。 低解像度で大域的な形状を保った粗大な生成フレームワークであるPointNSPを提案する。 ShapeNetの実験によると、PointNSPは自己回帰パラダイムの中で初めて、最先端(SOTA)生成品質を確立している。
  論文  参考訳（メタデータ） (2025-10-07T06:31:02Z)
• Adaptive Point-Prompt Tuning: Fine-Tuning Heterogeneous Foundation Models for 3D Point Cloud Analysis [51.37795317716487]
  本稿では,パラメータの少ない事前学習モデルを微調整するAdaptive Point-Prompt Tuning (APPT)法を提案する。 局所幾何学を集約することで原点雲を点埋め込みに変換し、空間的特徴を捉える。 任意のモダリティのソース領域から3Dへの自己アテンションを校正するために,重みを点埋め込みモジュールと共有するプロンプトジェネレータを導入する。
  論文  参考訳（メタデータ） (2025-08-30T06:02:21Z)
• HyMamba: Mamba with Hybrid Geometry-Feature Coupling for Efficient Point Cloud Classification [7.139631485661567]
  Geometry-Feature Coupled Pooling (GFCP)は局所的な特徴に隣接する幾何学的情報を動的に集約する。 提案したモデルは,特にModelNet40データセットにおいて,精度が95.99%に向上し,0.03Mの追加パラメータが得られた。さらに,ModelNetShotデータセットでは98.9%の精度を実現し,スパースサンプル下での堅牢な一般化能力を検証している。
  論文  参考訳（メタデータ） (2025-05-16T10:30:20Z)
• Asymmetrical Siamese Network for Point Clouds Normal Estimation [13.826173253686726]
  本稿では、非対称なシームズネットワークアーキテクチャを用いて、クリーンでノイズの多い点群から学習した本質的な特徴の一貫性について検討する。 異なる枝から抽出された特徴間の合理的な制約を適用することにより、正規推定の品質を高める。 ノイズレベルの異なる様々な形状を含む新しい多視点正規推定データセットを提案する。
  論文  参考訳（メタデータ） (2024-06-14T03:07:23Z)
• DSMNet: Deep High-precision 3D Surface Modeling from Sparse Point Cloud Frames [12.531880335603145]
  既存のポイントクラウドモデリングデータセットは、ポイントクラウドモデリング効果自体よりも、ポーズまたは軌道精度によるモデリング精度を表現する。 スパースポイントクラウドフレームを用いた高精度3次元表面モデリングのための新しい学習ベースジョイントフレームワークDSMNetを提案する。
  論文  参考訳（メタデータ） (2023-04-09T09:23:06Z)
• 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)
• HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper Surfaces [54.77683371400133]
  本稿では,ノイズと密度の変動のある点群から正規性を正確に予測できるHSurf-Netという新しい正規推定手法を提案する。 実験結果から, HSurf-Netは, 合成形状データセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-10-13T16:39:53Z)
• 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)

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。