論文の概要: ARAPDiffusion: ARAP Regularization for Diffusion-Based Deformable Shape Space Learning

• arxiv url: http://arxiv.org/abs/2606.06887v1
• Date: Fri, 05 Jun 2026 04:09:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.557348
• Title: ARAPDiffusion: ARAP Regularization for Diffusion-Based Deformable Shape Space Learning
• Title（参考訳）: ARAPDiffusion: 拡散に基づく変形可能な形状空間学習のためのARAP正規化
• Authors: Haibo Liu, Jinghan Ke, Haitao Yang, Xiangru Huang, Georgios Pavlakos, Qixing Huang,
• Abstract要約: ARAPDiffusionは変形形状収集の基盤となる連続的な形状空間を学習するための潜在拡散モデルである。 本稿では,ARAPモデルを用いてエンコーダ/デコーダと潜時拡散モデルの両方を改善する方法について述べる。
• 参考スコア（独自算出の注目度）: 45.30206926028027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces ARAPDiffusion, a latent diffusion model to learn the underlying continuous shape space of a deformation shape collection. The key innovation is in injecting the as-rigid-as-possible (ARAP) deformation model as regularization losses into latent diffusion (LD), releasing the requirement of having abundant 3D training data for learning generative models. In contrast to the standard LD, we show how the ARAP model can be used to improve both the encoder/decoder and the LD model. The training procedure alternates between using the synthetic distribution defined by the LD model to develop a regularization loss that enhances the shape encoder/decoder and using the shape decoder to develop a regularization loss to improve the LD model. We also show the benefit of the LD paradigm in combining a representation-free LD process and an implicit shape decoder that is applicable to unorganized point clouds. The experimental results of unconditional and conditional shape generation demonstrate the advantages of ARAPDiffusion over baseline approaches.
• Abstract（参考訳）: 本稿では,変形形状収集の基盤となる連続形状空間を学習するための潜在拡散モデルであるARAPDiffusionを紹介する。 鍵となる革新は、ARAP変形モデルを正規化損失として潜在拡散(LD)に注入することで、生成モデルを学ぶための豊富な3Dトレーニングデータを持つことの必要性を解放することである。 標準LDとは対照的に、エンコーダ/デコーダモデルとLDモデルの両方を改善するためにARAPモデルをどのように利用できるかを示す。 トレーニング手順は、LDモデルで定義された合成分布を用いて、形状エンコーダ/デコーダを強化する正規化損失を開発することと、形状デコーダを用いて正規化損失を発生させてLDモデルを改善することとを交互に行う。 また,表現自由なLDプロセスと無秩序な点群に適用可能な暗黙の形状デコーダを組み合わせることで,LDパラダイムの利点を示す。 非条件形状および条件形状生成の実験結果は、ベースラインアプローチよりも ARAPDiffusion の利点を示す。

関連論文リスト

• LD-RPS: Zero-Shot Unified Image Restoration via Latent Diffusion Recurrent Posterior Sampling [38.700993166492495]
  本稿では,事前学習した潜伏拡散モデルを用いた再帰サンプリングによるデータセットフリーで統一的な手法を提案する。 本手法では,マルチモーダル理解モデルを用いて,タスクブレンド条件下で生成モデルにセマンティックな事前情報を提供する。
  論文  参考訳（メタデータ） (2025-07-01T14:25:09Z)
• Boosting Latent Diffusion with Perceptual Objectives [29.107038084215514]
  遅延拡散モデル (LDMs) パワー・オブ・ザ・アート高分解能画像モデル。 我々は,遅延知覚損失(LPL)を定義するためにデコーダの内部的特徴を活用することを提案する。 この損失により、モデルはよりシャープでリアルなイメージを作成することができる。
  論文  参考訳（メタデータ） (2024-11-06T16:28:21Z)
• LLDiffusion: Learning Degradation Representations in Diffusion Models for Low-Light Image Enhancement [118.83316133601319]
  現在の低照度画像強調(LLIE)の深層学習法は、通常、ペア化されたデータから学んだピクセルワイドマッピングに依存している。 本稿では,拡散モデルを用いたLLIEの劣化認識学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-27T07:22:51Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• The Deep Generative Decoder: MAP estimation of representations improves modeling of single-cell RNA data [0.0]
  モデルパラメータと表現を直接最大後部推定(MAP)により計算する単純な生成モデルを提案する。 このアプローチの利点は、その単純さと、同等のVAEよりもはるかに小さな次元の表現を提供する能力である。
  論文  参考訳（メタデータ） (2021-10-13T12:17:46Z)

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。