論文の概要: BuildAnyPoint: 3D Building Structured Abstraction from Diverse Point Clouds

• arxiv url: http://arxiv.org/abs/2602.23645v1
• Date: Fri, 27 Feb 2026 03:31:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 19:48:24.230359
• Title: BuildAnyPoint: 3D Building Structured Abstraction from Diverse Point Clouds
• Title（参考訳）: BuildAnyPoint: さまざまなポイントクラウドからの構造化抽象化を3D構築
• Authors: Tongyan Hua, Haoran Gong, Yuan Liu, Di Wang, Ying-Cong Chen, Wufan Zhao,
• Abstract要約: BuildAnyPointは、多様な分布を持つ点雲から構造化された3Dビルディング再構築のための新しい生成フレームワークである。 我々はまず,入力点雲上に条件付き潜在拡散モデルのトレーニングにより,条件生成タスクとして分布回復を定式化する。 次に、回復点雲に基づく条件付き自己回帰メッシュ生成のためのデコーダのみの変換器を調整する。
• 参考スコア（独自算出の注目度）: 35.066679627206526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce BuildAnyPoint, a novel generative framework for structured 3D building reconstruction from point clouds with diverse distributions, such as those captured by airborne LiDAR and Structure-from-Motion. To recover artist-created building abstraction in this highly underconstrained setting, we capitalize on the role of explicit 3D generative priors in autoregressive mesh generation. Specifically, we design a Loosely Cascaded Diffusion Transformer (Loca-DiT) that initially recovers the underlying distribution from noisy or sparse points, followed by autoregressively encapsulating them into compact meshes. We first formulate distribution recovery as a conditional generation task by training latent diffusion models conditioned on input point clouds, and then tailor a decoder-only transformer for conditional autoregressive mesh generation based on the recovered point clouds. Our method delivers substantial qualitative and quantitative improvements over prior building abstraction methods. Furthermore, the effectiveness of our approach is evidenced by the strong performance of its recovered point clouds on building point cloud completion benchmarks, which exhibit improved surface accuracy and distribution uniformity.
• Abstract（参考訳）: 航空機搭載LiDARやStructure-from-Motionなど,多種多様な分布を持つ点雲からの3Dビルディング再構築のための新しい生成フレームワークであるBuildAnyPointを紹介した。 この制約の少ない環境で、アーティストが作成したビルの抽象化を復元するために、自動回帰メッシュ生成における明示的な3D生成前駆体の役割を生かした。 具体的には,まず雑音やスパース点から基底分布を復元し,次いで自己回帰的にそれをコンパクトメッシュにカプセル化するLoosely Cascaded Diffusion Transformer (Loca-DiT) を設計する。 まず,入力点雲に条件付き潜伏拡散モデルをトレーニングし,得られた点雲に基づく条件付き自己回帰メッシュ生成のためのデコーダのみの変換器を調整することにより,条件生成タスクとして分布回復を定式化する。 提案手法は,従来の抽象手法よりも質的かつ定量的に改善されている。 さらに,本手法の有効性は,その回復点雲が構築点雲完了ベンチマークにおいて高い性能を示し,表面精度と分布均一性の向上を示した。

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)
• 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)
• Hyperbolic-constraint Point Cloud Reconstruction from Single RGB-D Images [19.23499128175523]
  我々は3次元点雲再構成に双曲空間を導入し、低歪みの点雲における複雑な階層構造を表現・理解できるようにする。 我々のモデルは既存のモデルよりも優れており、アブレーション研究は我々のモデルとその構成要素の重要性を実証している。
  論文  参考訳（メタデータ） (2024-12-12T08:27:39Z)
• Rendering-Oriented 3D Point Cloud Attribute Compression using Sparse Tensor-based Transformer [52.40992954884257]
  3D視覚化技術は、私たちがデジタルコンテンツと対話する方法を根本的に変えてきた。 ポイントクラウドの大規模データサイズは、データ圧縮において大きな課題を呈している。 そこで我々はPCACと差別化可能なレンダリングをシームレスに統合するエンドツーエンドのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-12T16:12:51Z)
• Point2Building: Reconstructing Buildings from Airborne LiDAR Point Clouds [23.897507889025817]
  航空機搭載LiDAR点雲から3次元多角形メッシュとして建物を再構築するための学習的アプローチを提案する。 このモデルでは, 点雲データから直接学習し, 誤差伝播を低減し, 再構成の忠実度を向上する。 我々は,チューリッヒ,ベルリン,タリンの航空機搭載LiDARデータの収集について実験的に検証した。
  論文  参考訳（メタデータ） (2024-03-04T15:46:50Z)
• 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)
• AdaPoinTr: Diverse Point Cloud Completion with Adaptive Geometry-Aware Transformers [94.11915008006483]
  本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。 我々は、ポイントクラウド補完のためにTransformerエンコーダデコーダアーキテクチャを採用したPoinTrと呼ばれる新しいモデルを設計する。 本手法は,PCNで6.53 CD,ShapeNet-55で0.81 CD,現実世界のKITTIで0.392 MMDを実現する。
  論文  参考訳（メタデータ） (2023-01-11T16:14:12Z)
• SeedFormer: Patch Seeds based Point Cloud Completion with Upsample Transformer [46.800630776714016]
  本稿では,ポイントクラウド完了時の細部保存と回復の能力を向上させるための新しいSeedFormerを提案する。 我々は、部分的な入力から一般的な構造をキャプチャするだけでなく、局所的なパターンの地域情報も保存する新しい形状表現、すなわち、パッチシードを導入する。 提案手法は,複数のベンチマークデータセット上で,最先端のコンプリートネットワークの性能を向上する。
  論文  参考訳（メタデータ） (2022-07-21T06:15:59Z)
• Autoregressive 3D Shape Generation via Canonical Mapping [92.91282602339398]
  トランスフォーマーは、画像、音声、テキスト生成など、様々な生成タスクで顕著なパフォーマンスを示している。 本稿では,変圧器のパワーをさらに活用し,それを3Dポイントクラウド生成のタスクに活用することを目的とする。 条件付き形状生成への応用として,本モデルを簡単にマルチモーダル形状完成に拡張することができる。
  論文  参考訳（メタデータ） (2022-04-05T03:12:29Z)

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。