Fugu-MT 論文翻訳(概要): Deformation-based In-Context Learning for Point Cloud Understanding

論文の概要: Deformation-based In-Context Learning for Point Cloud Understanding

arxiv url: http://arxiv.org/abs/2604.02845v1
Date: Fri, 03 Apr 2026 08:01:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-06 17:20:24.389112
Title: Deformation-based In-Context Learning for Point Cloud Understanding
Title（参考訳）: ポイントクラウド理解のための変形に基づくインコンテキスト学習
Authors: Chengxing Lin, Jinhong Deng, Yinjie Lei, Wen Li,
Abstract要約: 我々は、ポイントクラウドインコンテキスト学習(ICL)のための変形ベースのフレームワークであるDeformPICを提案する。マスクされた再構築に依存する既存のアプローチとは異なり、DeformPICはタスク固有のプロンプトからクエリポイントクラウドをデフォルムすることを学ぶ。 DeformPICは従来の最先端の手法を一貫して上回り、復元、装飾、登録作業における平均チャンファー距離の1.6、1.8、および4.7ポイントの削減を実現している。
参考スコア（独自算出の注目度）: 27.433606989416692
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent advances in point cloud In-Context Learning (ICL) have demonstrated strong multitask capabilities. Existing approaches typically adopt a Masked Point Modeling (MPM)-based paradigm for point cloud ICL. However, MPM-based methods directly predict the target point cloud from masked tokens without leveraging geometric priors, requiring the model to infer spatial structure and geometric details solely from token-level correlations via transformers. Additionally, these methods suffer from a training-inference objective mismatch, as the model learns to predict the target point cloud using target-side information that is unavailable at inference time. To address these challenges, we propose DeformPIC, a deformation-based framework for point cloud ICL. Unlike existing approaches that rely on masked reconstruction, DeformPIC learns to deform the query point cloud under task-specific guidance from prompts, enabling explicit geometric reasoning and consistent objectives. Extensive experiments demonstrate that DeformPIC consistently outperforms previous state-of-the-art methods, achieving reductions of 1.6, 1.8, and 4.7 points in average Chamfer Distance on reconstruction, denoising, and registration tasks, respectively. Furthermore, we introduce a new out-of-domain benchmark to evaluate generalization across unseen data distributions, where DeformPIC achieves state-of-the-art performance.
Abstract（参考訳）: ポイントクラウド In-Context Learning (ICL) の最近の進歩は、強力なマルチタスク機能を示している。既存のアプローチでは、通常、ポイントクラウド ICL に対して Masked Point Modeling (MPM) ベースのパラダイムを採用しています。しかし、MPMベースの手法は、幾何学的先行性を活用することなく、マスクされたトークンからターゲットポイント雲を直接予測し、トランスフォーマーを介してトークンレベルの相関から、空間構造と幾何学的詳細を推測する必要がある。さらに、モデルが推論時に利用できないターゲット側情報を用いてターゲットポイントクラウドを予測することを学ぶと、これらの手法はトレーニング推論の客観的なミスマッチに悩まされる。これらの課題に対処するために、ポイントクラウドICCのための変形ベースのフレームワークであるDeformPICを提案する。マスクされた再構築に依存する既存のアプローチとは異なり、DeformPICはタスク固有の指示の下でクエリポイントクラウドを変形させることを学び、明示的な幾何学的推論と一貫した目的を実現する。広範囲にわたる実験の結果,DeformPICは従来の最先端手法を一貫して上回り,再建作業における平均チャンファー距離の1.6点,1.8点,4.7点の削減を実現している。さらに,DeformPICが最先端の性能を達成するために,未知のデータ分布をまたいだ一般化を評価するために,新しい領域外ベンチマークを導入する。

関連論文リスト

Towards Foundation Models for 3D Scene Understanding: Instance-Aware Self-Supervised Learning for Point Clouds [53.82500407523346]
PointINSは、幾何学的学習を通じてポイントクラウド表現を豊かにする、インスタンス指向の自己組織化フレームワークである。 PointINSは、屋内のインスタンスセグメンテーションで平均+3.5%のmAP改善、屋外のパン光学セグメンテーションで+4.1%のPQゲインを達成している。
論文参考訳（メタデータ） (2026-03-26T08:31:06Z)
Preconditioned Deformation Grids [41.79220966392968]
非構造点雲列から直接コヒーレントな変形場を推定する新しい手法であるプレコンディショニング変形格子を導入する。提案手法は,最先端技術と比較して,特に長いシーケンスにおいて優れた結果が得られる。
論文参考訳（メタデータ） (2025-09-22T17:59:55Z)
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)
PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
論文参考訳（メタデータ） (2024-09-24T07:57:21Z)
DV-Matcher: Deformation-based Non-Rigid Point Cloud Matching Guided by Pre-trained Visual Features [1.3030624795284795]
DV-Matcherは、非剛性変形点雲間の密接な対応を推定するための学習ベースのフレームワークである。実験結果から,本手法は非剛性点雲をほぼ等尺形状と異質形状の両方で整合させることで,最先端の結果が得られることがわかった。
論文参考訳（メタデータ） (2024-08-16T07:02:19Z)
Point Deformable Network with Enhanced Normal Embedding for Point Cloud Analysis [59.12922158979068]
近年,ポイントクラウド解析において高い性能を示す手法が提案されている。単純なアーキテクチャは局所的な点群で幾何学的特徴を学ぶことができるが、長距離依存を直接モデル化することができない。本稿では,表現能力の強い長距離関係を捉えるために,PDNet(Point Deformable Network)を提案する。
論文参考訳（メタデータ） (2023-12-20T14:52:07Z)
GeoMAE: Masked Geometric Target Prediction for Self-supervised Point Cloud Pre-Training [16.825524577372473]
幾何学的特徴再構成に基づくポイントクラウド表現学習フレームワークを提案する。我々は,3つの自己教師型学習目標を特異点雲,すなわちセントロイド予測,正規推定,曲率予測と同定する。私たちのパイプラインは概念的にはシンプルで、まずポイントのグループをランダムにマスキングし、次にTransformerベースのポイントクラウドエンコーダという2つの大きなステップで構成されています。
論文参考訳（メタデータ） (2023-05-15T17:14:55Z)
Geometry-Aware Self-Training for Unsupervised Domain Adaptationon Object Point Clouds [36.49322708074682]
本稿では,オブジェクトポイントクラウド分類の教師なし領域適応のためのジオメトリ・アウェア・セルフトレーニング(GAST)を提案する。具体的には,2つの自己監督型幾何学的学習タスクを特徴正規化として,意味カテゴリーのドメイン共有表現を学習することを目的とする。一方、データセット間の多様な点分布は、新しい曲率認識歪みの局所化によって正規化することができる。
論文参考訳（メタデータ） (2021-08-20T13:29:11Z)
Planning with Learned Dynamic Model for Unsupervised Point Cloud Registration [25.096635750142227]
我々は,変換ネットワークと評価ネットワークから構成される点雲の潜在動的モデルを開発する。我々は、ポイントクラウド登録プロセスにおける報酬を最大化し、計画方針を反復的に更新するためにクロスエントロピー法(CEM)を用いる。 ModelNet40および7Sceneベンチマークデータセットの実験結果から,本手法は教師なしで良好な登録性能が得られることが示された。
論文参考訳（メタデータ） (2021-08-05T13:47:11Z)
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。