論文の概要: PartDiffuser: Part-wise 3D Mesh Generation via Discrete Diffusion

• arxiv url: http://arxiv.org/abs/2511.18801v1
• Date: Mon, 24 Nov 2025 06:11:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.046041
• Title: PartDiffuser: Part-wise 3D Mesh Generation via Discrete Diffusion
• Title（参考訳）: PartDiffuser:離散拡散による部分的な3Dメッシュ生成
• Authors: Yichen Yang, Hong Li, Haodong Zhu, Linin Yang, Guojun Lei, Sheng Xu, Baochang Zhang,
• Abstract要約: PartDiffuserは、ポイント・クラウド・ツー・メッシュ生成のための新しい半自己回帰拡散フレームワークである。 PartDiffuserはDiTアーキテクチャをベースにしており、部分認識のクロスアテンション機構を導入している。 実験により, この手法は3次元メッシュの生成において, 最先端(SOTA)モデルよりもはるかに優れていることが示された。
• 参考スコア（独自算出の注目度）: 14.879669869466072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing autoregressive (AR) methods for generating artist-designed meshes struggle to balance global structural consistency with high-fidelity local details, and are susceptible to error accumulation. To address this, we propose PartDiffuser, a novel semi-autoregressive diffusion framework for point-cloud-to-mesh generation. The method first performs semantic segmentation on the mesh and then operates in a "part-wise" manner: it employs autoregression between parts to ensure global topology, while utilizing a parallel discrete diffusion process within each semantic part to precisely reconstruct high-frequency geometric features. PartDiffuser is based on the DiT architecture and introduces a part-aware cross-attention mechanism, using point clouds as hierarchical geometric conditioning to dynamically control the generation process, thereby effectively decoupling the global and local generation tasks. Experiments demonstrate that this method significantly outperforms state-of-the-art (SOTA) models in generating 3D meshes with rich detail, exhibiting exceptional detail representation suitable for real-world applications.
• Abstract（参考訳）: アーティストが設計したメッシュを生成するための既存の自己回帰(AR)メソッドは、グローバルな構造的一貫性と高忠実な局所的な詳細とのバランスが難しく、エラーの蓄積に影響を受けやすい。 そこで我々は,ポイントクラウド・ツー・メッシュ生成のための新しい半自己回帰拡散フレームワークPartDiffuserを提案する。 この手法はまずメッシュ上でセマンティックセグメンテーションを行い、次に「部分的な」方法で動作し、各セマンティック部分内で平行な離散拡散過程を利用して高周波数幾何学的特徴を正確に再構成する。 PartDiffuserはDiTアーキテクチャに基づいており、ポイントクラウドを階層的幾何条件として使用して生成プロセスを動的に制御し、グローバルおよびローカルな生成タスクを効果的に分離する、部分認識のクロスアテンション機構を導入している。 実験により,本手法は3次元メッシュの生成において最先端(SOTA)モデルよりも優れた性能を示し,実世界のアプリケーションに適した細部表現を示す。

関連論文リスト

• LoG3D: Ultra-High-Resolution 3D Shape Modeling via Local-to-Global Partitioning [26.88556500272625]
  非符号距離場(UDF)に基づく新しい3次元変分オートエンコーダフレームワークを提案する。 私たちの中心となるイノベーションは、UDFを統一サブボリュームであるUBlockに分割することで処理する、ローカルからグローバルなアーキテクチャです。 再現精度と生成品質の両面での最先端性能を実証し,表面の滑らかさと幾何学的柔軟性を向上した。
  論文  参考訳（メタデータ） (2025-11-13T07:34:43Z)
• Topology Sculptor, Shape Refiner: Discrete Diffusion Model for High-Fidelity 3D Meshes Generation [14.55646181682844]
  Topology Sculptor, Shape Refiner (TSSR)は、高品質なアーティストスタイルの3Dメッシュを生成する新しい方法である。 この並列生成能力は,3つの重要なイノベーションを通じて活用しています。 複雑なデータセットの実験は、TSSRが高品質な3Dアーティストスタイルのメッシュを生成することを示した。
  論文  参考訳（メタデータ） (2025-10-24T08:51:48Z)
• HierOctFusion: Multi-scale Octree-based 3D Shape Generation via Part-Whole-Hierarchy Message Passing [9.953394373473621]
  3Dコンテンツ生成は、3Dデータの本質的な構造的複雑さのため、基本的な課題でありながら難しい課題である。 細粒度および疎粒度オブジェクト構造を生成するための階層的特徴相互作用を強化する部分認識型マルチスケールオクツリー拡散モデルであるHierOctFusionを提案する。 実験により,HierOctFusionは従来の方法よりも優れた形状品質と効率が得られることが示された。
  論文  参考訳（メタデータ） (2025-08-14T23:12:18Z)
• MARS: Mesh AutoRegressive Model for 3D Shape Detailization [85.95365919236212]
  3次元形状詳細化のための新しいアプローチであるMARSを紹介する。 本稿では,次のLODトークン予測により,そのような潜在表現を生成するメッシュ自己回帰モデルを提案する。 挑戦的な3次元形状Detailizationベンチマークで行った実験により,提案したMARSモデルが最先端の性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-17T03:12:16Z)
• 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)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)

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。