Fugu-MT 論文翻訳(概要): Ordered Diffusion for 3D Human Registration

論文の概要: Ordered Diffusion for 3D Human Registration

arxiv url: http://arxiv.org/abs/2608.05804v1
Date: Thu, 06 Aug 2026 09:39:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-07 15:25:20.868586
Title: Ordered Diffusion for 3D Human Registration
Title（参考訳）: 3次元レジストレーションのための秩序付き拡散
Abstract要約: テンプレートと入力ポイントクラウドの間には、ユニークな地平の整合性が存在すると仮定して、歴史的に3Dの人間登録は回帰タスクとして扱われてきた。本稿では,3次元拡散過程として登録を定式化するODinを提案する。これを達成するため、ODinはグローバル、ローカル、および位置条件に依存し、各点を正しい位置に導く。
参考スコア（独自算出の注目度）: 65.1333901549662
License: http://creativecommons.org/licenses/by/4.0/
Abstract: 3D human registration has historically been treated as a regression task, assuming a unique ground-truth alignment exists between the template and an input point cloud. In reality, acquisition noise, occlusions, and unknown soft tissue dynamics introduce inherent ambiguity into human scans. Regression-based methods consequently converge to an average prediction, often failing to represent a plausible geometry. In our work, we embrace such uncertainty by modeling the registration as a distribution of alignments. We propose ODin, which formulates registration as a 3D diffusion process that generates a point cloud aligned with the target geometry while preserving template semantics through consistent point ordering. To achieve this, ODin relies on global, local, and positional conditioning, guiding each point to its correct location. Our experiments demonstrate that such a generative formulation not only outperforms its regression-based baseline, but also establishes a new state of the art, surpassing highly engineered methods while reducing the registration time by two-thirds. Pre-trained models and code are available at https://riccardomarin.github.io/odin/.
Abstract（参考訳）: テンプレートと入力ポイントクラウドの間には、ユニークな地平の整合性が存在すると仮定して、3Dの人間登録は、歴史的に回帰タスクとして扱われてきた。実際には、取得ノイズ、閉塞、未知の軟組織力学は、人間のスキャンに固有の曖昧さをもたらす。回帰に基づく手法は結果として平均的な予測に収束し、しばしば可算幾何学を表現することができない。我々の研究では、アライメントの分布として登録をモデル化することで、そのような不確実性を受け入れる。本稿では,3次元拡散過程として登録を定式化し,一貫した点順序付けによってテンプレートの意味を保ちつつ,対象の形状に整合した点雲を生成するODinを提案する。これを達成するため、ODinはグローバル、ローカル、および位置条件に依存し、各点を正しい位置に導く。提案実験は,このような生成的定式化がレグレッションベースラインを上回るだけでなく,高度に設計された手法を超越し,登録時間を3分の2削減する新たな最先端技術を確立することを実証した。事前トレーニングされたモデルとコードはhttps://riccardomarin.github.io/odin/.orgで公開されている。

関連論文リスト

Adaptive Point-Prompt Tuning: Fine-Tuning Heterogeneous Foundation Models for 3D Point Cloud Analysis [51.37795317716487]
本稿では,パラメータの少ない事前学習モデルを微調整するAdaptive Point-Prompt Tuning (APPT)法を提案する。局所幾何学を集約することで原点雲を点埋め込みに変換し、空間的特徴を捉える。任意のモダリティのソース領域から3Dへの自己アテンションを校正するために,重みを点埋め込みモジュールと共有するプロンプトジェネレータを導入する。
論文参考訳（メタデータ） (2025-08-30T06:02:21Z)
RecDreamer: Consistent Text-to-3D Generation via Uniform Score Distillation [35.85874404892182]
現在のテキスト・ツー・3D生成法は幾何学的不整合に悩まされることが多く、3Dアセットの異なるポーズにまたがるパターンが繰り返される。我々はRecDreamerというソリューションを提案し、より一貫性のあるポーズ表現を実現するために基礎となるデータ分布を再考する。実験の結果、RecDreamerはマルチフェイス・ジャナス問題を効果的に緩和し、異なるポーズにまたがるより一貫性のある3Dアセット生成を実現していることがわかった。
論文参考訳（メタデータ） (2025-02-18T08:42:55Z)
Test-Time Adaptation of 3D Point Clouds via Denoising Diffusion Models [19.795578581043745]
3Dポイントクラウドのテスト時間適応は、実世界のシナリオにおけるトレーニングとテストサンプルの相違を緩和するために不可欠である。本稿では,3D Denoising Diffusion Test-Time Adaptationの略である3DD-TTAと呼ばれる新しい3Dテスト時間適応法を提案する。
論文参考訳（メタデータ） (2024-11-21T00:04:38Z)
Equi-GSPR: Equivariant SE(3) Graph Network Model for Sparse Point Cloud Registration [2.814748676983944]
局所球面ユークリッド3次元等分散特性をSE(3)メッセージパッシングに基づく伝搬により埋め込んだグラフニューラルネットワークモデルを提案する。我々のモデルは、主に記述モジュール、同変グラフ層、類似性、最終的な回帰層から構成される。 3DMatchおよびKITTIデータセットで行った実験は、最先端のアプローチと比較して、我々のモデルの魅力的で堅牢な性能を示している。
論文参考訳（メタデータ） (2024-10-08T06:48:01Z)
Diff-Reg v1: Diffusion Matching Model for Registration Problem [34.57825794576445]
既存の手法では、幾何学的あるいは意味的な特徴を利用して潜在的な対応を生成する。従来はシングルパス予測に頼っていた手法は、複雑なシナリオにおいて局所的なミニマと競合する可能性がある。本稿では,ロバスト対応推定のための拡散マッチングモデルを提案する。
論文参考訳（メタデータ） (2024-03-29T02:10:38Z)
NICP: Neural ICP for 3D Human Registration at Scale [35.631505786332454]
本研究では,3次元人間登録のためのニューラルネットワーク拡張型登録手法NSRを提案する。 NSRは、数千の形状と10以上の異なるデータソースを一般化し、スケールする。我々の重要な貢献は、ICPスタイルの自己教師型タスクであるNICPである。
論文参考訳（メタデータ） (2023-12-21T16:54:09Z)
Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文参考訳（メタデータ） (2022-07-01T12:16:42Z)
NeuralReshaper: Single-image Human-body Retouching with Deep Neural Networks [50.40798258968408]
本稿では,深部生成ネットワークを用いた単一画像における人体の意味的再構成手法であるNeuralReshaperを提案する。われわれのアプローチは、まずパラメトリックな3次元人間モデルと元の人間の画像とを適合させるフィッティング・セイン・リフォーム・パイプラインに従う。ペアデータが存在しないデータ不足に対処するために,ネットワークをトレーニングするための新たな自己教師型戦略を導入する。
論文参考訳（メタデータ） (2022-03-20T09:02:13Z)
Unsupervised 3D Human Mesh Recovery from Noisy Point Clouds [30.401088478228235]
ノイズの多い点雲から人体形状やポーズを復元するための教師なしのアプローチを提案する。私たちのネットワークは、教師付きデータでネットワークをウォームアップする必要がないように、ゼロからトレーニングされています。
論文参考訳（メタデータ） (2021-07-15T18:07:47Z)
LoopReg: Self-supervised Learning of Implicit Surface Correspondences, Pose and Shape for 3D Human Mesh Registration [123.62341095156611]
LoopRegは、スキャンのコーパスを一般的な3Dモデルに登録するエンドツーエンドの学習フレームワークである。ニューラルネットワークによってパラメータ化された後方マップは、スキャンポイント毎から人間のモデルの表面への対応を予測する。人間のモデルによってパラメータ化されたフォワードマップは、モデルパラメータ(目的と形状)に基づいて対応するポイントをスキャンに変換する。
論文参考訳（メタデータ） (2020-10-23T14:39:50Z)
Learning Nonparametric Human Mesh Reconstruction from a Single Image without Ground Truth Meshes [56.27436157101251]
そこで本研究では,人間のメッシュ再構築を基礎となる真理メッシュを使わずに学習する手法を提案する。これはグラフ畳み込みニューラルネットワーク(Graph CNN)の損失関数に2つの新しい用語を導入することで実現される。
論文参考訳（メタデータ） (2020-02-28T20:30:07Z)

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。