論文の概要: MFM-point: Multi-scale Flow Matching for Point Cloud Generation

• arxiv url: http://arxiv.org/abs/2511.20041v1
• Date: Tue, 25 Nov 2025 08:10:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.353636
• Title: MFM-point: Multi-scale Flow Matching for Point Cloud Generation
• Title（参考訳）: MFMポイント:ポイントクラウド生成のためのマルチスケールフローマッチング
• Authors: Petr Molodyk, Jaemoo Choi, David W. Romero, Ming-Yu Liu, Yongxin Chen,
• Abstract要約: MFM-Pointは、ポイントクラウド生成のためのマルチスケールフローマッチングフレームワークである。 MFM-Point は点ベース手法で最高のクラス性能が得られることを示す。
• 参考スコア（独自算出の注目度）: 40.453079463837895
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, point cloud generation has gained significant attention in 3D generative modeling. Among existing approaches, point-based methods directly generate point clouds without relying on other representations such as latent features, meshes, or voxels. These methods offer low training cost and algorithmic simplicity, but often underperform compared to representation-based approaches. In this paper, we propose MFM-Point, a multi-scale Flow Matching framework for point cloud generation that substantially improves the scalability and performance of point-based methods while preserving their simplicity and efficiency. Our multi-scale generation algorithm adopts a coarse-to-fine generation paradigm, enhancing generation quality and scalability without incurring additional training or inference overhead. A key challenge in developing such a multi-scale framework lies in preserving the geometric structure of unordered point clouds while ensuring smooth and consistent distributional transitions across resolutions. To address this, we introduce a structured downsampling and upsampling strategy that preserves geometry and maintains alignment between coarse and fine resolutions. Our experimental results demonstrate that MFM-Point achieves best-in-class performance among point-based methods and challenges the best representation-based methods. In particular, MFM-point demonstrates strong results in multi-category and high-resolution generation tasks.
• Abstract（参考訳）: 近年、ポイントクラウド生成は3次元生成モデリングにおいて大きな注目を集めている。 既存のアプローチの中で、ポイントベースのメソッドは、潜在機能やメッシュ、ボクセルといった他の表現に頼ることなく、ポイントクラウドを直接生成する。 これらの手法は、訓練コストとアルゴリズムの単純さを低くするが、表現に基づくアプローチに比べて性能が劣ることが多い。 本稿では,ポイントクラウド生成のためのマルチスケールフローマッチングフレームワークであるFM-Pointを提案する。 我々のマルチスケール生成アルゴリズムは粗大な生成パラダイムを採用し、追加のトレーニングや推論のオーバーヘッドを発生させることなく、生成品質とスケーラビリティを向上させる。 このようなマルチスケールのフレームワークを開発する上での重要な課題は、非順序の点雲の幾何学的構造を保ちながら、解像度のスムーズで一貫した分布遷移を保証することである。 そこで我々は, 形状を保ち, 粗い分解能と微細な分解能の整合性を維持する構造的なダウンサンプリング・アップサンプリング戦略を導入する。 実験の結果, MFM-Pointは, ポイントベース手法で最高のクラス性能を達成し, 最良の表現ベース手法に挑戦することを実証した。 特に、MFMポイントは多カテゴリおよび高分解能生成タスクにおいて強い結果を示す。

関連論文リスト

• PUFM++: Point Cloud Upsampling via Enhanced Flow Matching [15.738247394527024]
  PUFM++は、スパース、ノイズ、部分的な観測から点雲を再構築するための拡張されたフローマッチングフレームワークである。 本稿では,まず,スパース入力から高密度ターゲットへ直進する直進経路の流れを学習し,次にノイズ摂動サンプルを用いて改良し,終端境界分布をよりよく近似する2段階フローマッチング手法を提案する。 合成ベンチマークと実世界のスキャンの実験は、PUFM++がポイントクラウドのアップサンプリングにおいて、新しい最先端の技術を設定していることを示している。
  論文  参考訳（メタデータ） (2025-12-24T06:30:42Z)
• 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)
• Message-Passing Monte Carlo: Generating low-discrepancy point sets via Graph Neural Networks [64.39488944424095]
  本稿では,Message-Passing Monte Carlo という低差点集合を生成する機械学習手法を提案する。 MPMC点は、低次元と少数の点との差に関して、最適かほぼ最適であることが実証的に示されている。
  論文  参考訳（メタデータ） (2024-05-23T21:17:20Z)
• REPS: Reconstruction-based Point Cloud Sampling [37.10538035973968]
  ディープ・ダウンサンプリング法は、ジェネレーティブ・ベースとスコア・ベースという2つの主要なタイプに分類される。 本稿では,再構築に基づくスコアリング戦略であるREPSを提案する。 本手法は, サンプリングした点雲の構造的特徴を保存するための従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-03-08T04:48:56Z)
• Fixed Point Diffusion Models [13.035518953879539]
  FPDM(Fixed Point Diffusion Model)は、FPDM(Fixed Point Diffusion Model)の概念を拡散に基づく生成モデルに組み込んだ画像生成手法である。 提案手法では,拡散モデルのデノナイズネットワークに暗黙の固定点解法層を埋め込み,拡散過程を密接な関係のある固定点問題列に変換する。 我々は、ImageNet、FFHQ、CelebA-HQ、LSUN-Churchの最先端モデルを用いて実験を行い、性能と効率を大幅に改善した。
  論文  参考訳（メタデータ） (2024-01-16T18:55:54Z)
• GP-PCS: One-shot Feature-Preserving Point Cloud Simplification with Gaussian Processes on Riemannian Manifolds [2.8811433060309763]
  本稿では,新しいワンショットポイントクラウド単純化手法を提案する。 表面の復元を一切行わずに、健全な構造的特徴と点雲全体の形状の両方を保っている。 提案手法を複数のベンチマークおよび自己取得点雲上で評価し,既存手法と比較し,下流での登録と表面再構成の応用を実証した。
  論文  参考訳（メタデータ） (2023-03-27T14:05:34Z)
• 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)
• 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)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)

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。