論文の概要: StippleDiffusion: Capacity-Constrained Stippling using Controlled Diffusion

• arxiv url: http://arxiv.org/abs/2605.15816v1
• Date: Fri, 15 May 2026 10:12:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.251327
• Title: StippleDiffusion: Capacity-Constrained Stippling using Controlled Diffusion
• Title（参考訳）: Stipple Diffusion:制御拡散を用いた容量制限型ストリップリング
• Authors: Ofir Gilad, Aleksander Plocharski, Przemyslaw Musialski, Andrei Sharf,
• Abstract要約: ストイップルパターンは、局所密度がターゲット画像を追跡する点集合であり、伝統的に密度ごとの反復によって生成される。 本稿では, 学習した局所的な点分布と, 推論時の連続的, 画像定義容量制約を同時に満足する最初の拡散型サンプリング器を提案する。 単一のトレーニングされたチェックポイントは、推論時に任意のターゲット密度を受け入れ、トレーニング中に見られなかったポイント予算に一般化し、出力ポイント数からほぼ独立してスタイップルを生成する。
• 参考スコア（独自算出の注目度）: 41.23458880886283
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stipple patterns, point sets whose local density tracks a target image, are traditionally produced by per-density iterative optimizers, which are slow, non-differentiable, and must be re-run from scratch for each new target. Learned alternatives have so far addressed only unconditional point generation; capacity-constrained, image-conditioned stippling has remained out of reach. We present the first diffusion-based sampler that simultaneously satisfies a learned local point-distribution prior and a continuous, image-defined capacity constraint at inference. The method is a ControlNet branch built on top of an optimal-transport-grid point-set diffusion baseline, conditioned on the target density map and a high-resolution image. Two design choices make the combination tractable: training and inference are restricted to the late-stage denoising regime, initialized from a density-weighted rejection sample, and the standard zero-convolution injection is replaced with a sigmoid-gated 1x1 projection that preserves the base model's blue-noise structure under hard density signals. A single trained checkpoint accepts arbitrary target densities at inference, generalizes to point budgets that were not seen during training, and produces stipples in time nearly independent of the output point count. On the Icons-50 benchmark, our learned sampler reaches parity with per-density-optimized baselines on every reported metric while remaining differentiable end-to-end.
• Abstract（参考訳）: ストイップルパターン(Stipple pattern)は、局所密度がターゲットの画像をトラックする点集合であり、伝統的に密度ごとの反復オプティマイザによって生成され、遅く、微分不可能であり、新しいターゲットごとにスクラッチから再実行されなければならない。 学習された代替手段は、これまで無条件の点生成にのみ対応してきた。 本稿では, 学習した局所的な点分布と, 推論時の連続的, 画像定義容量制約を同時に満足する最初の拡散型サンプリング器を提案する。 本手法は,目標密度マップと高解像度画像に条件付された最適輸送グリッド点集合拡散ベースライン上に構築された制御ネット分岐である。 トレーニングと推論は、密度重み付けされた拒絶サンプルから初期化され、標準のゼロ畳み込みインジェクションは、ハード密度信号の下でベースモデルのブルーノイズ構造を保存するシグモイドゲート1x1プロジェクションに置き換えられる。 単一のトレーニングされたチェックポイントは、推論時に任意のターゲット密度を受け入れ、トレーニング中に見られなかったポイント予算に一般化し、出力ポイント数からほぼ独立してスタイップルを生成する。 In the Icons-50 benchmark, our learned sampler reach parity with per-density-timized baselines on every report metric while remaining differentiable end-to-end。

関連論文リスト

• Manifold-Aligned Generative Transport [11.857867207010981]
  本稿では,低次元の基底分布からデータ空間への1ショットの多様体整列輸送を学習するフローライクな生成器を提案する。 我々は,拡散モデルよりもかなり高速なサンプリングを行いながら,合成データセットとベンチマークデータセット間での忠実度と多様体濃度を実証的に改善した。
  論文  参考訳（メタデータ） (2026-02-23T08:42:40Z)
• Efficient Sampling with Discrete Diffusion Models: Sharp and Adaptive Guarantees [9.180350432640912]
  連続時間マルコフ連鎖(CTMC)の定式化によるスコアベース離散拡散モデルのサンプリング効率について検討した。 一様離散拡散に対して、$$-leapingアルゴリズムは位数$tilde O(d/varepsilon)$の複雑さを達成することを示す。 離散拡散をマスキングするために,本質的な情報理論量によって収束率を制御した$$-leapingサンプルラを導入する。
  論文  参考訳（メタデータ） (2026-02-16T18:48:17Z)
• DiffCom: Decoupled Sparse Priors Guided Diffusion Compression for Point Clouds [54.96190721255167]
  ロスシー圧縮は、ポイントクラウドをストレージの潜在ポイントに変換するためのオートエンコーダに依存している。 本稿では,特に低レベルにおいて高い復元品質を実現するための拡散型フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-21T05:41:35Z)
• Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with Latent Geometric-Consistent Learning [52.825441454264585]
  Voxel-based Network (textbfPU-VoxelNet) を用いた任意のスケールのクラウド・アップサンプリング・フレームワークを提案する。 ボクセル表現から継承された完全性と規則性により、ボクセルベースのネットワークは3次元表面を近似する事前定義されたグリッド空間を提供することができる。 密度誘導グリッド再サンプリング法を開発し、高忠実度点を生成するとともに、サンプリング出力を効果的に回避する。
  論文  参考訳（メタデータ） (2024-03-08T07:31:14Z)
• Sobolev Space Regularised Pre Density Models [51.558848491038916]
  本研究では,ソボレフ法則の正則化に基づく非パラメトリック密度推定法を提案する。 この方法は統計的に一貫したものであり、帰納的検証モデルを明確かつ一貫したものにしている。
  論文  参考訳（メタデータ） (2023-07-25T18:47:53Z)
• 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)
• Point Cloud Upsampling via Disentangled Refinement [86.3641957163818]
  3Dスキャンによって生成された点雲は、しばしばスパース、非均一、ノイズである。 近年のアップサンプリング手法は, 分布均一性と近接場を両立させながら, 密度の高い点集合を生成することを目的としている。 2つのカスケードサブネットワーク、高密度ジェネレータ、空間精錬器を定式化する。
  論文  参考訳（メタデータ） (2021-06-09T02:58:42Z)

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。