論文の概要: Rethinking Metrics and Diffusion Architecture for 3D Point Cloud Generation

• arxiv url: http://arxiv.org/abs/2511.05308v1
• Date: Fri, 07 Nov 2025 15:07:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.807213
• Title: Rethinking Metrics and Diffusion Architecture for 3D Point Cloud Generation
• Title（参考訳）: 3Dポイントクラウド生成のためのメトリクスと拡散アーキテクチャの再考
• Authors: Matteo Bastico, David Ryckelynck, Laurent Corté, Yannick Tillier, Etienne Decencière,
• Abstract要約: 生成した点雲を評価するためによく使われる指標には、欠陥に対する堅牢性がないことを示す。 推定点正規度を比較することで表面類似度を近似する新しい計量であるSurface Normal Concordance (SNC)を提案する。 拡散点変換器(Diffusion Point Transformer)という高忠実度3次元構造を生成する新しいアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 4.991212094743681
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As 3D point clouds become a cornerstone of modern technology, the need for sophisticated generative models and reliable evaluation metrics has grown exponentially. In this work, we first expose that some commonly used metrics for evaluating generated point clouds, particularly those based on Chamfer Distance (CD), lack robustness against defects and fail to capture geometric fidelity and local shape consistency when used as quality indicators. We further show that introducing samples alignment prior to distance calculation and replacing CD with Density-Aware Chamfer Distance (DCD) are simple yet essential steps to ensure the consistency and robustness of point cloud generative model evaluation metrics. While existing metrics primarily focus on directly comparing 3D Euclidean coordinates, we present a novel metric, named Surface Normal Concordance (SNC), which approximates surface similarity by comparing estimated point normals. This new metric, when combined with traditional ones, provides a more comprehensive evaluation of the quality of generated samples. Finally, leveraging recent advancements in transformer-based models for point cloud analysis, such as serialized patch attention , we propose a new architecture for generating high-fidelity 3D structures, the Diffusion Point Transformer. We perform extensive experiments and comparisons on the ShapeNet dataset, showing that our model outperforms previous solutions, particularly in terms of quality of generated point clouds, achieving new state-of-the-art. Code available at https://github.com/matteo-bastico/DiffusionPointTransformer.
• Abstract（参考訳）: 3Dポイントクラウドが現代技術の基盤となるにつれ、高度な生成モデルと信頼性評価指標の必要性は指数関数的に増大してきた。 本研究ではまず, 生成点雲の評価によく用いられる指標, 特にChamfer Distance (CD) に基づく指標, 欠陥に対するロバストさの欠如, 品質指標としての幾何学的忠実度や局所形状の整合性を捉えることができないことを明らかにする。 さらに,距離計算に先立ってサンプルアライメントを導入し,CDを密度認識型チャンファー距離(DCD)に置き換えることが,ポイントクラウド生成モデル評価指標の一貫性とロバスト性を確保するために必要不可欠であることを示す。 既存の測度は主に3次元ユークリッド座標を直接比較することに焦点を当てているが、推定点正規度を比較することによって表面類似度を近似する新しい測度であるSurface Normal Concordance (SNC)を提示する。 この新しいメトリクスは、従来のメトリクスと組み合わせることで、生成されたサンプルの品質をより包括的に評価する。 最後に, 直列化パッチアテンションなどの点群解析における変換器モデルの改良を活用し, 拡散点変換器(Diffusion Point Transformer)と呼ばれる高忠実度3D構造を生成するための新しいアーキテクチャを提案する。 ShapeNetデータセット上で広範な実験と比較を行い、我々のモデルは、特に生成された点雲の品質において、以前のソリューションよりも優れており、新しい最先端技術を実現していることを示す。 コードはhttps://github.com/matteo-bastico/DiffusionPointTransformerで公開されている。

関連論文リスト

• 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)
• Surface Defect Identification using Bayesian Filtering on a 3D Mesh [10.3135376863545]
  本稿では,CADによる表面欠陥の自動検出手法を提案する。 我々はCADモデルに埋め込まれたアプリオリ知識を活用し、ポイントクラウドデータと統合する。
  論文  参考訳（メタデータ） (2025-01-30T12:49:17Z)
• 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)
• Point Cloud Mamba: Point Cloud Learning via State Space Model [73.7454734756626]
  我々は,マンバをベースとしたポイントクラウド法が,トランスフォーマや多層パーセプトロン(MLP)に基づく従来手法よりも優れていることを示す。 特に,マルチ層パーセプトロン(MLP)を用いて,マンバをベースとした点雲法が従来手法より優れていることを示す。 Point Cloud Mambaは、最先端(SOTA)のポイントベースメソッドであるPointNeXtを超え、ScanNN、ModelNet40、ShapeNetPart、S3DISデータセット上での新たなSOTAパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-03-01T18:59:03Z)
• Unleash the Potential of 3D Point Cloud Modeling with A Calibrated Local Geometry-driven Distance Metric [62.365983810610985]
  そこで我々は,Callibated Local Geometry Distance (CLGD) と呼ばれる新しい距離測定法を提案する。 CLGDは、基準点の集合によってキャリブレーションされ誘導される基礎となる3次元表面の差を計算する。 一般的な指標として、CLGDは3Dポイントのクラウドモデリングを前進させる可能性がある。
  論文  参考訳（メタデータ） (2023-06-01T11:16:20Z)
• 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)
• TCDM: Transformational Complexity Based Distortion Metric for Perceptual Point Cloud Quality Assessment [24.936061591860838]
  客観的クラウド品質評価(PCQA)研究の目標は、ポイントクラウド品質を一貫した方法で測定するメトリクスを開発することである。 歪んだ点雲を基準に戻す複雑さを計測することで点雲の質を評価する。 提案手法の有効性を,5つのパブリッククラウド品質評価データベース上で行った広範囲な実験を通じて評価した。
  論文  参考訳（メタデータ） (2022-10-10T13:20:51Z)
• A Nearest Neighbor Network to Extract Digital Terrain Models from 3D Point Clouds [1.6249267147413524]
  本稿では,3Dポイントのクラウド上で動作し,エンド・ツー・エンドのアプローチを用いてシーンの基盤となるDTMを推定するアルゴリズムを提案する。 我々のモデルは近隣情報を学習し、これをポイントワイドでブロックワイドなグローバルな特徴とシームレスに統合する。
  論文  参考訳（メタデータ） (2020-05-21T15:54:55Z)

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。