Fugu-MT 論文翻訳(概要): Generative Modeling with Orbit-Space Particle Flow Matching

論文の概要: Generative Modeling with Orbit-Space Particle Flow Matching

arxiv url: http://arxiv.org/abs/2605.02222v1
Date: Mon, 04 May 2026 04:51:35 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-05 20:33:50.141071
Title: Generative Modeling with Orbit-Space Particle Flow Matching
Title（参考訳）: 軌道空間粒子流マッチングによる生成モデリング
Authors: Sinan Wang, Jinjin He, Shenyifan Lu, Ruicheng Wang, Greg Turk, Bo Zhu,
Abstract要約: Orbit-Space Geometric Probability Pathsは、粒子系の生成モデリングのためのフローネイティブフレームワークである。 1) 確率パス終端の軌道空間正準化、(2) 役割推論のための粒子インデックス埋め込み、(3) アーク長対応終端速度を持つ幾何学的確率パスである。
参考スコア（独自算出の注目度）: 13.530023664944713
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present Orbit-Space Geometric Probability Paths (OGPP), a particle-native flow-matching framework for generative modeling of particle systems. OGPP is motivated by two insights: (i) particles are defined up to permutation symmetries, so anonymous indexing inflates per-index target variance and yields curved, hard-to-learn flows; and (ii) particles live in physical space, so the flow terminal velocity has physical meaning and can encode geometric attributes, e.g., surface normals. OGPP instantiates three key components: (1) orbit-space canonicalization of the probability-path terminal endpoint, (2) particle index embeddings for role specialization, and (3) geometric probability paths with arc-length-aware terminal velocities that generate normals as a byproduct of the flow. We evaluate OGPP on minimal-surface benchmarks, where it reduces metric error by up to two orders of magnitude in a single inference step; on ShapeNet, where it matches the state of the art with 5x fewer steps and reaches airplane EMD comparable to DiT-3D with 26x fewer parameters and 5x fewer steps; and on single-shape encoding, where it produces normals and reconstructions competitive with 6D generators while operating entirely in 3D.
Abstract（参考訳）: 粒子系の生成モデリングのための粒子ネイティブフローマッチングフレームワークであるOrbit-Space Geometric Probability Paths (OGPP)を提案する。 OGPPは2つの洞察によって動機付けられている。 (i)粒子は置換対称性に比例して定義されるため、匿名インデックス化はインデックスごとの分散を膨らませ、湾曲し難解な流れを生じさせる。 (II) 粒子は物理空間に存在し, 流れ終端速度は物理的意味を持ち, 幾何学的特性, 表面正規分布を符号化することができる。 OGPPは、(1)確率パス終端の軌道空間正準化、(2)役割特殊化のための粒子インデックス埋め込み、(3)フローの副産物として正規を生成する弧長対応終端速度を持つ幾何学的確率経路の3つの重要な構成要素をインスタンス化する。単一推論ステップで最大2桁の検定誤差を最大2桁まで低減する、ShapeNetでは、最先端の歩数と5倍の歩数で一致して航空機に到達し、26倍のパラメータと5倍の歩数でDiT-3Dに匹敵するEMDに匹敵する、シングルシェープ符号化では、完全に3Dで動作しながら6Dジェネレータと競合する正規化と再構築を行う。

関連論文リスト

EntON: Eigenentropy-Optimized Neighborhood Densification in 3D Gaussian Splatting [0.6364833131414095]
3次元ガウスめっきにおける固有エントロピー最適化近傍密度化戦略(DGS)を提案する。ビュースペース位置勾配の大きさに依存する従来の密度化戦略とは対照的に,本手法では,適応的な分割とプルーニングを導く幾何学的手法を導入している。実験の結果,Eigenentropy-aware alternating densification は,幾何学的精度を最大33%向上し,品質を最大7%向上させることがわかった。
論文参考訳（メタデータ） (2026-03-06T12:32:24Z)
From Basis to Basis: Gaussian Particle Representation for Interpretable PDE Operators [10.039418546901775]
流体のPDEダイナミクスの学習は、神経演算子やトランスフォーマーベースのモデルにますます依存しているが、これらのアプローチは解釈可能性に欠け、ローカライズされた高周波構造に苦しむことが多い。我々は、学習原子が明示的な幾何学を持ち、コンパクトでメッシュに依存しない直接可視化可能な状態を形成するガウス基底の場を表現することを提案する。標準的なPDEベンチマークと実データセットに基づいて,本手法は本質的な解釈性を提供しながら,最先端の競争精度を実現する。
論文参考訳（メタデータ） (2026-02-25T04:16:44Z)
A Cross-Domain Graph Learning Protocol for Single-Step Molecular Geometry Refinement [0.47664901548798794]
GeoOpt-Net (GeoOpt-Net) は、B3LYP/TZVP理論のDFT品質構造を1つの前方通過で予測する多分岐SE(3)等変幾何改善ネットワークである。 GeoOpt-Netは、DFT収束基準と本質的に互換性のある初期推定を生成し、非ゼロのAll-YES'収束率をもたらす。これらの結果は、DFTに基づく量子化学予測の効率的な加速を可能にするスケーラブルで物理的に一貫した幾何補正フレームワークとしてGeoOpt-Netを確立する。
論文参考訳（メタデータ） (2026-01-30T08:55:46Z)
On Geometry-Enhanced Parameter-Efficient Fine-Tuning for 3D Scene Segmentation [52.96632954620623]
本稿では3Dポイント・クラウド・トランス用に設計された新しい幾何対応PEFTモジュールを提案する。当社のアプローチでは,大規模3Dポイントクラウドモデルの効率的,スケーラブル,かつ幾何を考慮した微調整のための新しいベンチマークを設定している。
論文参考訳（メタデータ） (2025-05-28T15:08:36Z)
ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
論文参考訳（メタデータ） (2024-03-15T14:35:05Z)
Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文参考訳（メタデータ） (2022-12-17T15:05:25Z)
GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文参考訳（メタデータ） (2021-06-08T14:17:59Z)
DyCo3D: Robust Instance Segmentation of 3D Point Clouds through Dynamic Convolution [136.7261709896713]
本稿では,インスタンスの性質に応じて適切な畳み込みカーネルを生成するデータ駆動型アプローチを提案する。提案手法はScanetNetV2とS3DISの両方で有望な結果が得られる。また、現在の最先端よりも推論速度を25%以上向上させる。
論文参考訳（メタデータ） (2020-11-26T14:56:57Z)
PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
論文参考訳（メタデータ） (2020-02-24T14:13:29Z)

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。