論文の概要: PUFM++: Point Cloud Upsampling via Enhanced Flow Matching

• arxiv url: http://arxiv.org/abs/2512.20988v1
• Date: Wed, 24 Dec 2025 06:30:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.702774
• Title: PUFM++: Point Cloud Upsampling via Enhanced Flow Matching
• Title（参考訳）: PUFM++: 拡張フローマッチングによるポイントクラウドアップサンプリング
• Authors: Zhi-Song Liu, Chenhang He, Roland Maier, Andreas Rupp,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.738247394527024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in generative modeling have demonstrated strong promise for high-quality point cloud upsampling. In this work, we present PUFM++, an enhanced flow-matching framework for reconstructing dense and accurate point clouds from sparse, noisy, and partial observations. PUFM++ improves flow matching along three key axes: (i) geometric fidelity, (ii) robustness to imperfect input, and (iii) consistency with downstream surface-based tasks. We introduce a two-stage flow-matching strategy that first learns a direct, straight-path flow from sparse inputs to dense targets, and then refines it using noise-perturbed samples to approximate the terminal marginal distribution better. To accelerate and stabilize inference, we propose a data-driven adaptive time scheduler that improves sampling efficiency based on interpolation behavior. We further impose on-manifold constraints during sampling to ensure that generated points remain aligned with the underlying surface. Finally, we incorporate a recurrent interface network~(RIN) to strengthen hierarchical feature interactions and boost reconstruction quality. Extensive experiments on synthetic benchmarks and real-world scans show that PUFM++ sets a new state of the art in point cloud upsampling, delivering superior visual fidelity and quantitative accuracy across a wide range of tasks. Code and pretrained models are publicly available at https://github.com/Holmes-Alan/Enhanced_PUFM.
• Abstract（参考訳）: 生成モデリングの最近の進歩は、高品質の点雲アップサンプリングに強く期待されている。 本研究では,疎度,雑音,部分的な観測から高密度で高精度な点群を再構成するためのフローマッチングフレームワークPUFM++を提案する。 PUFM++は3つのキー軸に沿ったフローマッチングを改善した。 (i)幾何学的忠実度 (二 入力不完全に対する堅牢性、及び (iii)下流面ベースタスクとの整合性。 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。 そこで本研究では,データ駆動型適応時間スケジューラを提案する。 さらに、サンプリング中に、生成した点が基底面と一致し続けることを保証するために、オンマンフォールドの制約を課す。 最後に、リカレントインタフェースネットワーク~(RIN)を導入し、階層的特徴相互作用を強化し、再構築品質を向上させる。 総合的なベンチマークと実世界のスキャンによる実験により、PUFM++は、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状態を設定し、幅広いタスクにおいて優れた視覚的忠実性と定量的な精度を提供する。 コードと事前訓練されたモデルはhttps://github.com/Holmes-Alan/Enhanced_PUFM.comで公開されている。

関連論文リスト

• PVNet: Point-Voxel Interaction LiDAR Scene Upsampling Via Diffusion Models [57.02789948234898]
  拡散モデルに基づく点-ボクセル相互作用フレームワークであるPVNetを提案する。 具体的には、スパース点雲を誘導条件とし、近くのフレームから得られた合成点雲を入力とする。 さらに,各アップサンプリング点の環境認識能力を効率よく向上する点とボクセルの両方の機能を統合する点とボクセルの相互作用モジュールを提案する。
  論文  参考訳（メタデータ） (2025-08-23T14:55:03Z)
• UPP: Unified Point-Level Prompting for Robust Point Cloud Analysis [36.565699477170504]
  既存の方法は、専用のデノベーションと完了モデルを開発することによって、ポイントクラウドの品質を向上させることに重点を置いている。 本稿では,点雲の復調と完了をプロンプト機構として再構成する統一点レベルプロンプト手法を提案する。 4つのデータセットに対する大規模な実験は、ノイズや不完全点のクラウドデータを扱う際の方法の優位性と堅牢性を示している。
  論文  参考訳（メタデータ） (2025-07-25T06:54:30Z)
• 3D Point Cloud Generation via Autoregressive Up-sampling [60.05226063558296]
  我々は3Dポイントクラウド生成のための先駆的な自己回帰生成モデルを導入する。 視覚的自己回帰モデリングにインスパイアされた我々は、ポイントクラウド生成を自己回帰的アップサンプリングプロセスとして概念化する。 PointARUは、3Dポイントの雲を粗いものから細かいものへと徐々に洗練する。
  論文  参考訳（メタデータ） (2025-03-11T16:30:45Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent with Learned Distance Functions [77.32043242988738]
  我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。 提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
  論文  参考訳（メタデータ） (2023-04-24T06:36:35Z)
• PU-EVA: An Edge Vector based Approximation Solution for Flexible-scale Point Cloud Upsampling [4.418205951027186]
  スパース、ノイズ、および一様でない点雲のアップサンプリングは難しい作業だ。 フレキシブルスケールの点群アップサンプリング(PU-EVA)のためのエッジベクトルに基づく近似の新しい設計法を提案する。 EVAアップサンプリングは、ネットワークアーキテクチャによるアップサンプリングスケールを分離し、1回のトレーニングでフレキシブルアップサンプリングレートを達成する。
  論文  参考訳（メタデータ） (2022-04-22T15:14:05Z)
• 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)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)

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。