論文の概要: Learning to Tessellate: Point Cloud Generation via Recursive Spectral Partitioning

• arxiv url: http://arxiv.org/abs/2608.02432v1
• Date: Mon, 03 Aug 2026 16:11:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 21:56:46.389748
• Title: Learning to Tessellate: Point Cloud Generation via Recursive Spectral Partitioning
• Title（参考訳）: テッセルレートの学習:再帰的なスペクトル分割によるポイントクラウド生成
• Authors: Monan Sun, Bangzhen Liu, Huaidong Zhang, Shengfeng He,
• Abstract要約: 本稿では, トポロジ保存型テッセルレーションプロセスとして, 点雲生成を再構成する自己回帰フレームワークであるPointRSPを提案する。 PointRSPは、複雑な3Dトポロジーをまたいだ強力な一般化を証明し、世代品質と多様性の最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 58.130498928480456
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Autoregressive models have emerged as an effective paradigm for point cloud generation. However, most existing approaches rely on heuristic tokenization strategies, such as spatial sorting or stochastic downsampling, which often disrupt intrinsic point cloud topology and weaken the structural coherence of the generated shapes. In this paper, we present PointRSP, an autoregressive framework that reformulates point cloud generation as a topology-preserving tessellation process via recursive spectral partitioning. Instead of constructing token sequences heuristically, we introduce a topology-aware partitioning autoencoder that decomposes an unstructured point cloud into a non-balanced binary tree through a hybrid recursive spectral partitioning strategy. This hierarchical representation provides a deterministic geometric blueprint that preserves topological relationships while capturing multiscale structural dependencies within a quantized latent space. To synthesize shapes in this space, we propose a dual-stream cascaded generator that jointly models structural evolution and feature synthesis. In addition, we design a geometry-calibrated positional encoding mechanism that anchors latent embeddings using multi-scale structural centers, which stabilizes cascaded generation during the early stages of structural formation. Extensive experiments show that PointRSP achieves state-of-the-art performance in generation quality and diversity, demonstrating strong generalization across complex 3D topologies.
• Abstract（参考訳）: 自動回帰モデルは、ポイントクラウド生成の効果的なパラダイムとして現れています。 しかし、既存のほとんどのアプローチは、空間的ソートや確率的なダウンサンプリングのようなヒューリスティックなトークン化戦略に依存しており、これはしばしば本質的な点雲のトポロジーを乱し、生成された形状の構造的コヒーレンスを弱める。 本稿では,再帰的なスペクトル分割によるトポロジ保存型テッセルレーションプロセスとして,点雲生成を再構成する自己回帰フレームワークであるPointRSPを提案する。 トークン列をヒューリスティックに構築する代わりに、非構造化点雲をハイブリッド再帰的分割戦略により非平衡二分木に分解するトポロジー対応分割オートエンコーダを導入する。 この階層的表現は、量子化された潜在空間内の多スケール構造的依存関係を捉えながら、位相的関係を保存する決定論的幾何学的青写真を提供する。 この空間で形状を合成するために、構造進化と特徴合成を共同でモデル化する二重流カスケード発生器を提案する。 さらに,構造形成の初期段階においてカスケード生成を安定化させる,多スケール構造中心を用いた潜伏埋め込みをアンカーする幾何校正型位置符号化機構を設計する。 大規模実験により、PointRSPは、複雑な3Dトポロジをまたいだ強力な一般化を証明し、世代品質と多様性の最先端のパフォーマンスを達成することが示された。

関連論文リスト

• ARDepth: Auto-regressive Monocular Depth Estimation with Progressive Visual Conditioning [66.42476564611607]
  拡散モデルは、反復的妄想を通して、世界規模で滑らかな場として深度を復元できると仮定する。 本稿では,構造的自己回帰生成として深度推定を定式化するARDepthを提案する。 提案手法は高い性能を達成し,スケールにわたって構造的に一貫した深度予測を実現する。
  論文  参考訳（メタデータ） (2026-07-14T07:06:46Z)
• Beyond Point-Wise Matching: Structural Representation Alignment for Accelerating Diffusion Transformers [93.3976834364707]
  本稿では,特徴写像のリレーショナル幾何における整合性を実現する構造的RePresentation AlignmentフレームワークであるsREPAを提案する。 モデルが事前訓練された特徴から全体的空間配置と構造的相関を内包するように促すことにより、sREPAはより高速でより安定した収束を達成する。
  論文  参考訳（メタデータ） (2026-05-16T12:01:04Z)
• Hyperbolic Enhanced Representation Learning for Incomplete Multi-view Clustering [57.38215918201251]
  本稿では,不完全なマルチビュークラスタリングのためのハイパーボリック拡張表現学習フレームワークであるHERLを提案する。 ポアンカレボール内で操作すると、HERLは表現学習を強化するために構造を意識した潜在空間を構築する。 HERLは最先端のアプローチよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-04-18T10:50:46Z)
• A Persistent Homology Design Space for 3D Point Cloud Deep Learning [5.810033007426438]
  Persistent Homology (PH)は、本質的な形状の安定なマルチスケール記述子を提供する。 強力な理論的保証と経験的採用の増大にもかかわらず、ポイントクラウドのためのディープラーニングへの統合は、概してアドホックであり、アーキテクチャ的にも周辺的である。 本研究では,3次元点群における永続-ホモロジー駆動学習のための統一設計空間を提案する。
  論文  参考訳（メタデータ） (2026-04-05T22:38:37Z)
• Scale-Consistent State-Space Dynamics via Fractal of Stationary Transformations [9.983526161001997]
  最近のディープラーニングモデルは、中間表現の妥当性に関する構造的な保証なしに、ますます深度に依存している。 我々は、状態空間モデルのスケール一貫性潜在力学の構造的要件を定式化することにより、この制限に対処する。 我々は予測されたスケール一貫性の挙動を実証的に検証し、適応効率がアライメントされた潜在幾何学から現れることを示す。
  論文  参考訳（メタデータ） (2026-01-27T12:44:20Z)
• GFLAN: Generative Functional Layouts [1.1458853556386797]
  GFLANは、フロアプラン合成を明示的な因子化によって、トポロジカルプランニングと幾何学的実現に再構成する生成フレームワークである。 提案手法は,2段階分解の原理を優先して,直接画素間あるいは壁面追跡生成から逸脱する。
  論文  参考訳（メタデータ） (2025-12-18T07:52:47Z)
• Manifold-Aware Point Cloud Completion via Geodesic-Attentive Hierarchical Feature Learning [3.214168764374659]
  特徴学習パイプライン全体を通して非線形幾何学情報を明示的に組み込んだ,多様体対応のクラウド補完フレームワークを提案する。 我々の手法は、復元品質における最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-12-05T13:38:35Z)
• PointNSP: Autoregressive 3D Point Cloud Generation with Next-Scale Level-of-Detail Prediction [87.33016661440202]
  自動回帰ポイントクラウド生成は、長い間、拡散ベースの品質アプローチに遅れを取ってきた。 低解像度で大域的な形状を保った粗大な生成フレームワークであるPointNSPを提案する。 ShapeNetの実験によると、PointNSPは自己回帰パラダイムの中で初めて、最先端(SOTA)生成品質を確立している。
  論文  参考訳（メタデータ） (2025-10-07T06:31:02Z)
• Autoregressive 3D Shape Generation via Canonical Mapping [92.91282602339398]
  トランスフォーマーは、画像、音声、テキスト生成など、様々な生成タスクで顕著なパフォーマンスを示している。 本稿では,変圧器のパワーをさらに活用し,それを3Dポイントクラウド生成のタスクに活用することを目的とする。 条件付き形状生成への応用として,本モデルを簡単にマルチモーダル形状完成に拡張することができる。
  論文  参考訳（メタデータ） (2022-04-05T03:12:29Z)

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。