論文の概要: RWKV-PCSSC: Exploring RWKV Model for Point Cloud Semantic Scene Completion

• arxiv url: http://arxiv.org/abs/2511.09878v1
• Date: Fri, 14 Nov 2025 01:15:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.544811
• Title: RWKV-PCSSC: Exploring RWKV Model for Point Cloud Semantic Scene Completion
• Title（参考訳）: RWKV-PCSSC:ポイントクラウドセマンティックシーン補完のためのRWKVモデル探索
• Authors: Wenzhe He, Xiaojun Chen, Wentang Chen, Hongyu Wang, Ying Liu, Ruihui Li,
• Abstract要約: 本稿では,RWKV(Receptance Weighted Key Value)メカニズムにヒントを得た,軽量なセマンティックシーン補完ネットワークRWKV-PCSSCを提案する。 RWKV-PCSSCはパラメータカウントを4.18$times$に減らし、メモリ効率を1.37$times$に改善する。
• 参考スコア（独自算出の注目度）: 14.136392071643643
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic Scene Completion (SSC) aims to generate a complete semantic scene from an incomplete input. Existing approaches often employ dense network architectures with a high parameter count, leading to increased model complexity and resource demands. To address these limitations, we propose RWKV-PCSSC, a lightweight point cloud semantic scene completion network inspired by the Receptance Weighted Key Value (RWKV) mechanism. Specifically, we introduce a RWKV Seed Generator (RWKV-SG) module that can aggregate features from a partial point cloud to produce a coarse point cloud with coarse features. Subsequently, the point-wise feature of the point cloud is progressively restored through multiple stages of the RWKV Point Deconvolution (RWKV-PD) modules. By leveraging a compact and efficient design, our method achieves a lightweight model representation. Experimental results demonstrate that RWKV-PCSSC reduces the parameter count by 4.18$\times$ and improves memory efficiency by 1.37$\times$ compared to state-of-the-art methods PointSSC. Furthermore, our network achieves state-of-the-art performance on established indoor (SSC-PC, NYUCAD-PC) and outdoor (PointSSC) scene dataset, as well as on our proposed datasets (NYUCAD-PC-V2, 3D-FRONT-PC).
• Abstract（参考訳）: Semantic Scene Completion (SSC)は、不完全な入力から完全なセマンティックシーンを生成することを目的としている。 既存のアプローチでは、しばしば高いパラメータ数を持つ高密度ネットワークアーキテクチャを使用し、モデルの複雑さとリソース要求が増大する。 これらの制約に対処するために,RWKV-PCSSCを提案する。RWKVはRWKV(Receptance Weighted Key Value)メカニズムにインスパイアされた軽量なポイントクラウドセマンティックシーン補完ネットワークである。 具体的には、RWKVシードジェネレータ(RWKV-SG)モジュールを導入し、部分点クラウドから機能を集約し、粗い特徴を持つ粗い点クラウドを生成する。 その後、ポイントクラウドのポイントワイド機能は、RWKVポイントデコンボリューション(RWKV-PD)モジュールの複数の段階を通じて徐々に復元される。 コンパクトで効率的な設計により,本手法は軽量なモデル表現を実現する。 実験の結果、RWKV-PCSSCはパラメータカウントを4.18$\times$に減らし、メモリ効率を1.37$\times$に改善した。 さらに,既存の屋内(SSC-PC,NYUCAD-PC)と屋外(PointSSC)のシーンデータセット,および提案したデータセット(NYUCAD-PC-V2,3D-FRONT-PC)について,最先端の性能を実現する。

関連論文リスト

• RWKV-edge: Deeply Compressed RWKV for Resource-Constrained Devices [16.07830847120712]
  モデルアーキテクチャの最適化から,RWKVアーキテクチャに合わせたポストトレーニング圧縮まで,一連の圧縮手法を提案する。 我々の手法は、RWKVモデルのメモリフットプリントを3.4倍 -- 5倍減らし、精度は無視できる程度に低下させる。
  論文  参考訳（メタデータ） (2024-12-14T15:11:07Z)
• Implicit Neural Compression of Point Clouds [61.491532656446054]
  NeRC$3$は、新しいポイントクラウド圧縮フレームワークである。 NeRC$3$は密度点雲の幾何学と属性の両方を符号化する。 動的点雲の場合、4D-NeRC$3$は優れた幾何圧縮性能を達成する。
  論文  参考訳（メタデータ） (2024-12-11T03:22:00Z)
• PointRWKV: Efficient RWKV-Like Model for Hierarchical Point Cloud Learning [56.14518823931901]
  NLP分野におけるRWKVモデルから導かれる線形複雑性のモデルであるPointRWKVを提案する。 まず,改良型マルチヘッド行列値状態を用いて,PointRWKVブロック内のグローバル処理機能について検討する。 局所的な幾何学的特徴を同時に抽出するために,グラフ安定化器を用いた固定半径近傍グラフにおいて,点雲を効率的に符号化する並列分岐を設計する。
  論文  参考訳（メタデータ） (2024-05-24T05:02:51Z)
• Vision-RWKV: Efficient and Scalable Visual Perception with RWKV-Like Architectures [96.00848293994463]
  本稿では、NLPフィールドで使用されるRWKVモデルから適応したVision-RWKVを紹介する。 我々のモデルは、スパース入力を効率的に処理し、ロバストなグローバル処理能力を実証するために設計されている。 評価の結果,VRWKVは画像分類におけるViTの性能を超え,高速化とメモリ使用量の削減を図っている。
  論文  参考訳（メタデータ） (2024-03-04T18:46:20Z)

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。