論文の概要: SUMI: Scalable Unified Model for 3D Point Cloud Inference

• arxiv url: http://arxiv.org/abs/2608.08115v1
• Date: Sat, 08 Aug 2026 12:56:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.683225
• Title: SUMI: Scalable Unified Model for 3D Point Cloud Inference
• Title（参考訳）: SUMI: 3Dポイントクラウド推論のためのスケーラブル統一モデル
• Abstract要約: 粗大から細い点の雲を補修するための拡散強化モジュールSUMIを提案する。 拡散を独立点生成として使用する従来の拡散ベースの補完法とは異なり、SUMIはノイズの多い幾何学的特徴を粗い構造的特徴と交差注意に注入する。 PCN、ShapeNet-55/34、MVPの実験では、強いベースラインよりも一貫した改善が示されている。
• 参考スコア（独自算出の注目度）: 6.933424891153753
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point cloud completion commonly follows a coarse-to-fine paradigm, where a low-density coarse shape is first predicted and then upsampled to the target resolution. Although recent methods have improved global structure recovery, the fine stage often remains limited by simple upsampling and insufficient interaction with coarse structural features, making local detail reconstruction challenging. We propose SUMI, a diffusion-enhanced refinement module for coarse-to-fine point cloud completion. Unlike prior diffusion-based completion methods that use diffusion as a standalone point generator, SUMI injects noisy geometric features into cross-attention with coarse structural features, enabling reverse denoising to refine local geometry while preserving global consistency. SUMI can also be integrated into existing coarse-to-fine models as a flexible refinement module. Experiments on PCN, ShapeNet-55/34, and MVP demonstrate consistent improvements over strong baselines. SUMI achieves the best overall CD and F1-score on PCN, reduces CD by up to 16.1% on ShapeNet-55, and obtains the best CD across all output densities on MVP.
• Abstract（参考訳）: 点雲の完成は、一般に粗大なパラダイムに従っており、そこでは、まず低密度の粗い形状が予測され、次にターゲットの解像度にアップサンプリングされる。 近年, グローバルな構造復元法が改良されているが, 簡易なアップサンプリングと粗い構造特徴との相互作用が不十分なため, 局所的な細部復元が困難な場合が多い。 粗大から細い点の雲を補修するための拡散強化モジュールSUMIを提案する。 拡散を独立点生成として使用する従来の拡散ベースの完了法とは異なり、SUMIはノイズの多い幾何学的特徴を粗い構造的特徴と交叉アテンションに注入し、大域的な一貫性を維持しながら局所的幾何学を洗練させる。 SUMIはフレキシブルリファインメントモジュールとして既存の粗大なモデルに統合することもできる。 PCN、ShapeNet-55/34、MVPの実験では、強いベースラインよりも一貫した改善が示されている。 SUMIはPCNで最高のCDとF1スコアを獲得し、ShapeNet-55で最大16.1%までCDを減らし、MVPで出力密度で最高のCDを得る。

関連論文リスト

• Few-step Cofolding with All-Atom Flow Maps [13.124878986088738]
  Denoiser Cofolding All-Atom Flowmap (DeCAF) 我々は,SE(3)剛性アライメントを自然に支持するエンドポイント損失を伴うデノイザに基づくフローマップの定式化に基づいてDeCAFを構築した。 本稿では,報酬誘導探索によるサンプリングを改善するための,目的付き推論時間フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-07T00:06:15Z)
• PUFM++: Point Cloud Upsampling via Enhanced Flow Matching [15.738247394527024]
  PUFM++は、スパース、ノイズ、部分的な観測から点雲を再構築するための拡張されたフローマッチングフレームワークである。 本稿では,まず,スパース入力から高密度ターゲットへ直進する直進経路の流れを学習し,次にノイズ摂動サンプルを用いて改良し,終端境界分布をよりよく近似する2段階フローマッチング手法を提案する。 合成ベンチマークと実世界のスキャンの実験は、PUFM++がポイントクラウドのアップサンプリングにおいて、新しい最先端の技術を設定していることを示している。
  論文  参考訳（メタデータ） (2025-12-24T06:30:42Z)
• LiNeXt: Revisiting LiDAR Completion with Efficient Non-Diffusion Architectures [52.59993476989728]
  LiNeXtは、高速で正確なポイントクラウド補完に最適化された軽量で非拡散ネットワークである。 LiNeXtは推論の199.8倍の高速化を実現し、チャンファー距離を50.7%削減し、LiDiffと比較してパラメータの6.1%しか使用していない。
  論文  参考訳（メタデータ） (2025-11-13T11:28:18Z)
• 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)
• Taming Anomalies with Down-Up Sampling Networks: Group Center Preserving Reconstruction for 3D Anomaly Detection [59.822737536103155]
  グループ中心幾何構造を保存して3次元異常検出のための高精度点雲を再構成するために,ダウンアップサンプリングネットワーク(DUS-Net)を提案する。 提案手法は、オブジェクトレベルのAUROCの79.9%と79.5%、Real3D-ADおよびAnomaly-ShapeNetデータセットの71.2%と84.7%のポイントレベルのAUROCを用いて、最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2025-07-05T05:05:36Z)
• Point Cloud Resampling with Learnable Heat Diffusion [58.050130177241186]
  ポイントクラウド再サンプリングのための学習可能な熱拡散フレームワークを提案する。 前の固定された拡散モデルとは異なり、適応条件は点雲の幾何学的特徴を選択的に保存する。
  論文  参考訳（メタデータ） (2024-11-21T13:44:18Z)
• Diffusion-Occ: 3D Point Cloud Completion via Occupancy Diffusion [5.189790379672664]
  拡散点クラウドコンプリートのための新しいフレームワークである textbfDiffusion-Occ を紹介する。 占有領域をしきい値にすることで、それを完全点雲に変換する。 実験の結果,Diffusion-Occは既存の差別的・生成的手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-08-27T07:57:58Z)
• CCD-3DR: Consistent Conditioning in Diffusion for Single-Image 3D Reconstruction [81.98244738773766]
  本稿では,一貫した局所的特徴条件付けのために,新しい集中拡散確率モデルを利用するCDD-3DRを提案する。 CCD-3DRは、40%以上の改善を伴い、全ての競合より大きなマージンを達成している。
  論文  参考訳（メタデータ） (2023-08-15T15:27:42Z)
• Deep Point Cloud Simplification for High-quality Surface Reconstruction [24.29310178063052]
  PCS-Netは、幾何学的忠実さを維持しつつ、高品質な表面メッシュ再構築に特化している。 そこで本研究では,サンプル点の位置を改良する新しい2次元再サンプリングモジュールを提案する。 重要な形状特徴をさらに維持するため、新規な塩分損失を有する適応サンプリング戦略を設計する。
  論文  参考訳（メタデータ） (2022-03-17T05:22:25Z)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)

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。