論文の概要: ScaleBlind: Point Cloud Completion under Unknown Scale

• arxiv url: http://arxiv.org/abs/2609.23404v1
• Date: Sun, 20 Sep 2026 06:30:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.811556
• Title: ScaleBlind: Point Cloud Completion under Unknown Scale
• Title（参考訳）: ScaleBlind: 未知のスケールでポイントクラウドを補完する
• Abstract要約: ポイントクラウド補完は、部分的なポイントクラウドから完全な3D形状を推測することを目的としており、再構築、編集、シミュレーションといった下流タスクのためのビルディングブロックとして機能する。 既存の学習ベースの手法は、トレーニング時とテスト時の両方の正規化において、GTスケールへのアクセスに暗黙的に依存することが多い。 基礎モデルに基づく画像補完を利用して,部分的な入力から直接グローバルスケールを復元し,その3D補完を忠実に生成する新しいフレームワークであるScaleBlindを提案する。
• 参考スコア（独自算出の注目度）: 26.4022969482221
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud completion aims to infer a complete 3D shape from a partial point cloud and serves as a fundamental building block for downstream tasks such as reconstruction, editing, and simulation. Despite the recent progress, existing learning-based methods often implicitly rely on access to the ground-truth shape scale (GT-scale) during both training- and testing-time normalization, assuming privileged information that is unavailable in real-world inference. This hidden assumption limits practical deployment and can lead to severe completion artifacts, e.g., over- or under-completion and nested shells, once the oracle GT-scale cue is removed. We observe that the recent foundation image generation models exhibit a strong capability of understanding objects and geometries, and producing multi-view consistent renderings, making them promising priors for GT-scale-free 3D completion. Motivated by this insight, we propose ScaleBlind, a novel framework that leverages foundation-model-based image completion to recover global scale directly from partial inputs and then faithfully produces the 3D completion. Specifically, ScaleBlind dreams out complete multi-view appearances from rendered partial views, lifts the inferred missing regions back into 3D to obtain a geometry-aware coarse completion, and further refines it via a powerful cross-modal fusion network with the original partial point cloud. By harnessing 2D foundation priors, our method eliminates the need for accessing GT-scale information at inference. Moreover, it provides a principled bridge between 2D generative priors and 3D point cloud completion. Extensive experiments demonstrate the superiority of our framework, making ScaleBlind the new state-of-the-art for the point cloud completion task.
• Abstract（参考訳）: ポイントクラウド補完は、部分的なポイントクラウドから完全な3D形状を推測することを目的としており、再構築、編集、シミュレーションといった下流タスクの基本的なビルディングブロックとして機能する。 近年の進歩にもかかわらず、既存の学習ベースの手法は、実世界の推論では利用できない特権情報を想定したトレーニング時とテスト時の両方の正規化において、GTスケールへのアクセスに暗黙的に依存することが多い。 この隠された仮定は、実際のデプロイを制限し、オラクルのGTスケールキューが削除されると、オーバーコンプリートやアンダーコンプリート、ネストされたシェルといった、深刻な完了アーティファクトにつながる可能性がある。 近年の基盤画像生成モデルは、オブジェクトやジオメトリを理解し、多視点一貫したレンダリングを生成する強力な能力を示し、GTスケールフリーな3Dコンプリートに先立って期待できる。 そこで本研究では,基礎モデルに基づく画像補完を利用した新しいフレームワークであるScaleBlindを提案し,部分的な入力から直接グローバルスケールを復元し,その3D補完を忠実に生成する。 特にScaleBlindは、レンダリングされた部分的なビューから完全なマルチビューの外観を夢見て、推論された欠落した領域を3Dに持ち上げ、幾何学的に認識された粗い補完を得る。 提案手法では,2Dファンデーションの先行情報を活用することにより,推論時にGTスケール情報にアクセスする必要がなくなる。 さらに、2D生成前兆と3Dポイントクラウド補完の間に原則化されたブリッジを提供する。 大規模な実験は、私たちのフレームワークの優位性を実証し、ScaleBlindをポイントクラウド完了タスクのための新しい最先端技術にしました。

関連論文リスト

• PQDT: Pseudo-Query Dual Transformer for Robust Point Cloud Restoration [2.6189995284654737]
  実世界の点雲は、不完全性、ノイズ、外れ値、不規則密度などの劣化に悩まされることが多い。 本稿では, 点雲を直接入力とし, 多様な劣化シナリオ下で高品質な幾何を適応的に再構成する3次元復元ネットワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T15:15:13Z)
• Points-to-3D: Structure-Aware 3D Generation with Point Cloud Priors [47.080898117231435]
  幾何学制御可能な3Dアセットとシーン生成にポイントクラウドを活用できる拡散ベースのフレームワークであるPoints-to-3Dを紹介する。 TRELLISフレームワーク内で、グローバルな構造的インペイントを学習するために設計されたタスク固有データに基づいてトレーニングされた構造的インペイントネットワークを用いて、ステージ化されたサンプリング戦略を用いて推論を行う。 オブジェクトとシーンシナリオの両方の実験は、レンダリング品質と幾何学的忠実度の観点から、最先端のベースラインよりも優れたパフォーマンスを一貫して示している。
  論文  参考訳（メタデータ） (2026-03-19T11:33:27Z)
• GenPC: Zero-shot Point Cloud Completion via 3D Generative Priors [24.820869358060342]
  GenPCは、明示的な3D生成先行情報を活用することで、高品質な現実世界のスキャンを再構築するように設計されている。 我々の重要な洞察は、最近のフィードフォワード3D生成モデルは、広範囲のインターネットスケールのデータに基づいて訓練され、ゼロショット設定でシングルビュー画像から3D生成を行う能力を示したことである。
  論文  参考訳（メタデータ） (2025-02-27T09:09:57Z)
• Unsupervised 3D Point Cloud Completion via Multi-view Adversarial Learning [61.14132533712537]
  MAL-UPCは、領域レベルとカテゴリ固有の幾何学的類似性の両方を効果的に活用するフレームワークである。 我々のMAL-UPCは3Dの完全な監視を一切必要とせず、トレーニングセットにおける一視点部分的な観察のみを必要とする。
  論文  参考訳（メタデータ） (2024-07-13T06:53:39Z)
• Voxel-based Network for Shape Completion by Leveraging Edge Generation [76.23436070605348]
  エッジ生成(VE-PCN)を利用した点雲補完のためのボクセルネットワークを開発した。 まず点雲を正規のボクセル格子に埋め込み、幻覚した形状のエッジの助けを借りて完全な物体を生成する。 この分離されたアーキテクチャとマルチスケールのグリッド機能学習は、より現実的な表面上の詳細を生成することができる。
  論文  参考訳（メタデータ） (2021-08-23T05:10:29Z)
• RfD-Net: Point Scene Understanding by Semantic Instance Reconstruction [19.535169371240073]
  本稿では,高密度物体表面を直接点雲から検出・再構成するRfD-Netを提案する。 インスタンス再構成を大域的オブジェクトローカライゼーションと局所形状予測に分離する。 我々のアプローチは、オブジェクト再構成において、最先端の技術を一貫して上回り、メッシュIoUの11以上を改善します。
  論文  参考訳（メタデータ） (2020-11-30T12:58:05Z)
• Weakly-supervised 3D Shape Completion in the Wild [91.04095516680438]
  非整合および実世界の部分点雲から3次元完全形状を学習する問題に対処する。 複数の部分的な観察から3次元標準形状と6-DoFのアライメントを推定する弱い教師付き手法を提案する。 合成データと実データの両方の実験では、形状やポーズを伴わずに大規模なデータを通じて3次元形状の完成を学習することは可能であり、有望であることが示された。
  論文  参考訳（メタデータ） (2020-08-20T17:53:42Z)

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。