論文の概要: PointTransformerX: Portable and Efficient 3D Point Cloud Processing without Sparse Algorithms

• arxiv url: http://arxiv.org/abs/2604.24169v2
• Date: Wed, 29 Apr 2026 07:44:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 13:51:54.056853
• Title: PointTransformerX: Portable and Efficient 3D Point Cloud Processing without Sparse Algorithms
• Title（参考訳）: PointTransformerX:スパースアルゴリズムのないポータブルで効率的な3Dポイントクラウド処理
• Abstract要約: PointTransformerX(PTX)は、3Dポイントクラウド用のPyTorchネイティブなビジョントランスフォーマーバックボーンである。 PTXは競合精度を維持しながら、すべてのカスタム演算子と外部ライブラリを削除する。
• 参考スコア（独自算出の注目度）: 0.10705399532413612
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D point cloud perception remains tightly coupled to custom CUDA operators for spatial operations, limiting portability and efficiency on non-NVIDIA, AMD, and embedded hardware. We introduce PointTransformerX (PTX), a fully PyTorch-native vision transformer backbone for 3D point clouds, removing all custom CUDA operators and external libraries while retaining competitive accuracy. PTX introduces 3D-GS-RoPE, a rotary positional embedding that encodes 3D spatial relationships directly in self-attention without neighborhood construction, and further replaces sparse convolutional patch embedding with a linear projection. PTX explores inference-time scaling of attention windows to improve accuracy without retraining. With a redesigned feed-forward network, PTX achieves 98.7\% of PointTransformer V3's accuracy on ScanNet with 79.2\% fewer parameters and executing 1.6\times faster while requiring just 253 MB memory. PTX runs natively on NVIDIA GPUs, AMD GPUs (ROCm), and CPUs, providing an efficient and portable foundation for point cloud perception.
• Abstract（参考訳）: 3Dポイントクラウドの認識は、空間操作のためのカスタムCUDAオペレータと密結合であり、NVIDIA、AMD、組み込みハードウェアのポータビリティと効率を制限している。 我々は、PyTorchネイティブな3Dポイントクラウド用のバックボーンであるPointTransformerX(PTX)を導入し、競合精度を維持しながら、カスタムCUDA演算子と外部ライブラリをすべて削除した。 PTXは、3D-GS-RoPEという回転的な位置埋め込みを導入し、3D空間関係を直接、近傍構造なしでエンコードし、さらに細い畳み込みパッチを線形射影で置き換える。 PTXは、アテンションウィンドウの推測時間スケーリングを調査し、再トレーニングせずに精度を向上させる。 再設計されたフィードフォワードネットワークにより、PTXは、ScanNet上のPointTransformer V3の精度の98.7\%を79.2\%削減し、わずか253MBのメモリを必要とする1.6\timesを高速に実行する。 PTXはNVIDIA GPU、AMD GPU(ROCm)、CPUでネイティブに動作し、ポイントクラウド認識のための効率的でポータブルな基盤を提供する。

関連論文リスト

• Token Adaptation via Side Graph Convolution for Efficient Fine-tuning of 3D Point Cloud Transformers [1.19658449368018]
  本稿では,近接グラフ(STAG)上でのサイドトークン適応(Side Token Adaptation)と呼ばれる新しいPEFTアルゴリズムを提案する。 STAGは、下流タスクにトークンを適用するために、凍結バックボーントランスフォーマーと並行して動作するグラフ畳み込みサイドネットワークを使用している。 また、さまざまな公開3Dポイントクラウドデータセットからなる新しいベンチマークであるPoint Cloud Classification 13 (PCC13)も紹介する。
  論文  参考訳（メタデータ） (2025-02-19T22:58:56Z)
• PVTransformer: Point-to-Voxel Transformer for Scalable 3D Object Detection [36.04323550267339]
  点雲のための3Dオブジェクト検出器は、しばしば、スパースポイントをグリッドのようなボクセルや柱にエンコードするために、プールベースのPointNetに依存する。 本稿では,3次元検出のための変圧器を用いたポイント・ツー・ボクセルアーキテクチャであるPVTransformerを提案する。
  論文  参考訳（メタデータ） (2024-05-05T04:44:41Z)
• ConDaFormer: Disassembled Transformer with Local Structure Enhancement for 3D Point Cloud Understanding [105.98609765389895]
  トランスフォーマーは、最近3Dポイントクラウド理解のために研究されている。 0.1万を超える多数のポイントは、ポイントクラウドデータに対してグローバルな自己注意を可能にする。 本稿では,ConDaFormerという新しい変圧器ブロックを開発する。
  論文  参考訳（メタデータ） (2023-12-18T11:19:45Z)
• PVT-SSD: Single-Stage 3D Object Detector with Point-Voxel Transformer [75.2251801053839]
  単段3次元検出用ポイント・ボクセル変換器(PVT-SSD)を提案する。 本稿では,voxel から長時間のコンテキストを安価に取得できる Point-Voxel Transformer (PVT) モジュールを提案する。 いくつかの自律走行ベンチマーク実験は,提案手法の有効性と有効性を検証する。
  論文  参考訳（メタデータ） (2023-05-11T07:37:15Z)
• FastPillars: A Deployment-friendly Pillar-based 3D Detector [63.0697065653061]
  既存のBEVベースの(つまりバードアイビュー)検出器は、トレーニングと推論を高速化するためにスパース・コンボリューション(SPConv)を好む。 FastPillarsは、CenterPoint(SPConvベース)よりも1.8倍のスピードアップと3.8mAPH/L2の改善で、Openデータセットの最先端の精度を提供する
  論文  参考訳（メタデータ） (2023-02-05T12:13:27Z)
• FlatFormer: Flattened Window Attention for Efficient Point Cloud Transformer [30.596658616831945]
  トランスフォーマーはCNNに代わるものとして、多くのモダリティで有効であることが証明されている。 本稿では、FlatFormerを用いて、空間近接を交換することで、より優れた計算正則性を実現することにより、このレイテンシギャップを解消する。
  論文  参考訳（メタデータ） (2023-01-20T18:59:57Z)
• DSVT: Dynamic Sparse Voxel Transformer with Rotated Sets [95.84755169585492]
  本研究では,屋外3次元知覚のためのシングルストライドウィンドウベースのボクセルトランスであるDynamic Sparse Voxel Transformer (DSVT)を提案する。 本モデルでは,3次元認識タスクを多岐にわたって行うことにより,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-01-15T09:31:58Z)
• TorchSparse: Efficient Point Cloud Inference Engine [24.541195361633523]
  本稿では,高性能なポイントクラウド推論エンジンであるTorchSparseを紹介する。 TorchSparseはスパース畳み込みの2つのボトルネック、すなわち不規則な計算とデータ移動を直接最適化する。 最先端のMinkowskiEngineとSpConvで、それぞれ1.6倍と1.5倍のエンドツーエンドのスピードアップを実現している。
  論文  参考訳（メタデータ） (2022-04-21T17:58:30Z)
• PiFeNet: Pillar-Feature Network for Real-Time 3D Pedestrian Detection from Point Cloud [64.12626752721766]
  点雲からの歩行者検出に有効なリアルタイム3D検出器であるPiFeNetを提案する。 歩行者を検知する際の3次元物体検出フレームワークが直面する課題として, 柱の特徴の少ない点と, 点群における歩行者の占有面積の小さい点があげられる。 提案手法は,26fps/秒(FPS)で走行しながら,KITTI歩行者BEVと3Dリーダーボードで第1位にランクされ,Nuscenes検出ベンチマークの最先端性能を実現している。
  論文  参考訳（メタデータ） (2021-12-31T13:41:37Z)
• End-to-End Pseudo-LiDAR for Image-Based 3D Object Detection [62.34374949726333]
  擬似LiDAR(PL)は、LiDARセンサに基づく手法と安価なステレオカメラに基づく手法の精度ギャップを劇的に減らした。 PLは最先端のディープニューラルネットワークと2D深度マップ出力を3Dポイントクラウド入力に変換することで3Dオブジェクト検出のための3D深度推定を組み合わせている。 我々は、PLパイプライン全体をエンドツーエンドにトレーニングできるように、差別化可能なRepresentation (CoR)モジュールに基づく新しいフレームワークを導入します。
  論文  参考訳（メタデータ） (2020-04-07T02:18:38Z)

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。