論文の概要: RhinoNet: Unsupervised Learning for Phenoscaping and Generation of High Dimensional Point Clouds

• arxiv url: http://arxiv.org/abs/2610.23898v1
• Date: Mon, 28 Sep 2026 18:53:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:48:00.809016
• Title: RhinoNet: Unsupervised Learning for Phenoscaping and Generation of High Dimensional Point Clouds
• Title（参考訳）: RhinoNet: 高次元点雲生成のための教師なし学習
• Abstract要約: 本稿では,単純複合型ポイントクラウドニューラルネットワークRhinoNetを提案する。 RhinoNetは高次元の点雲の幾何学保存を作成する。 単一セルおよび空間データコホート上での最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 21.762737441852092
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: We present RhinoNet, a simplicial complex-based point cloud neural network, that creates a geometry-preserving embedding of high-dimensional point clouds. RhinoNet takes collections of datasets, also called {\em data cohorts}, and processes each dataset (point cloud) within the cohort as a simplicial complex. These simplicial complexes have datapoints as vertices and edges learned by Vietoris-Rips filtration. Using simplicial wavelets and MLP layers, RhinoNet computes a vector representation of each dataset in a latent space produced by an autoencoder. The latent space is optimized such that an optimal transport distance between pairs of point clouds is preserved between the latent representations. We apply RhinoNet to single-cell datasets collected on patients---a common source of such high-dimensional data. RhinoNet creates a patient level representation, known in biological contexts as a phenoscape. We establish that RhinoNet generates organized phenoscapes, whereas other methods such as static maps do not. Next we show that we can generate entire point clouds by sampling and decoding this phenoscape. We show two modes of generation via 1) latent flow matching and 2) geodesic interpolation in latent space, followed by a decoding back into the point cloud space. RhinoNet achieves state-of-the-art performance on single-cell and spatial data cohorts relative to tested baselines. Overall, RhinoNet lifts the concepts of representation learning and generative modeling to the point cloud or population level and defines a neural model for phenoscaping.
• Abstract（参考訳）: 我々は、高次元の点雲を幾何学的に保存する埋め込みを生成する、単純複合型点雲ニューラルネットワークRhinoNetを提案する。 RhinoNetはデータセットのコレクション(別名 {\em data cohorts})を取り、コホート内の各データセット(ポイントクラウド)を単純な複合体として処理する。 これらのsimplicial complexは、Vietoris-Rips濾過によって学習された頂点と縁としてデータポイントを持つ。 RhinoNetは単純なウェーブレットとMLPレイヤを使用して、オートエンコーダによって生成される潜在空間における各データセットのベクトル表現を計算する。 ラテント空間は、ラテント表現の間に一対の点雲の間の最適な輸送距離が保存されるように最適化される。 RhinoNetを患者で収集した単一セルデータセットに適用する。 RhinoNetは、生物学的文脈において表現的景観として知られる患者レベルの表現を生成する。 我々はRhinoNetが組織化された表現スケープを生成するのに対して、静的マップのような他の手法はそうではないことを証明した。 次に、この表現スケープをサンプリングして復号することで、全点雲を生成することができることを示す。 生成の2つのモードを示す。 1)潜流整合と潜流 2) 静止空間における測地的補間, 続いて点雲空間への復号化。 RhinoNetは,テストベースラインに対する単一セルおよび空間データコホート上での最先端のパフォーマンスを実現する。 全体として、RhinoNetは表現学習と生成モデリングの概念をポイントクラウドや人口レベルまで引き上げ、表現避難のためのニューラルモデルを定義している。

関連論文リスト

• HiPoNet: A Multi-View Simplicial Complex Network for High Dimensional Point-Cloud and Single-Cell Data [13.847283649760282]
  HiPoNetは、高次元の点雲上での回帰、分類、表現学習のためのエンドツーエンドの微分可能なニューラルネットワークである。 HiPoNetは単一セルデータ上で他のポイントクラウドやグラフベースのモデルよりも優れていることを示す。 また、空間座標をビューの1つとして用いた空間転写学データセットにHiPoNetを適用した。
  論文  参考訳（メタデータ） (2025-02-11T18:13:29Z)
• Point Cloud Compression with Implicit Neural Representations: A Unified Framework [54.119415852585306]
  我々は幾何学と属性の両方を扱える先駆的なクラウド圧縮フレームワークを提案する。 本フレームワークでは,2つの座標ベースニューラルネットワークを用いて,voxelized point cloudを暗黙的に表現する。 本手法は,既存の学習手法と比較して,高い普遍性を示す。
  論文  参考訳（メタデータ） (2024-05-19T09:19:40Z)
• Spherical Frustum Sparse Convolution Network for LiDAR Point Cloud Semantic Segmentation [62.258256483231484]
  LiDARポイントクラウドセマンティックセグメンテーションにより、ロボットは周囲の環境のきめ細かいセマンティック情報を得ることができる。 多くの研究が2Dイメージ上にポイントクラウドを投影し、LiDARポイントクラウドセマンティックセグメンテーションのための2D畳み込みニューラルネットワーク(CNN)またはビジョントランスフォーマーを採用する。 本稿では,情報損失の定量化を回避するために,新しい球状フラストラム構造を提案する。
  論文  参考訳（メタデータ） (2023-11-29T09:55:13Z)
• Patch-Wise Point Cloud Generation: A Divide-and-Conquer Approach [83.05340155068721]
  分割・分散アプローチを用いた新しい3dポイントクラウド生成フレームワークを考案する。 すべてのパッチジェネレータは学習可能な事前情報に基づいており、幾何学的プリミティブの情報を取得することを目的としている。 最も人気のあるポイントクラウドデータセットであるShapeNetのさまざまなオブジェクトカテゴリに関する実験結果は、提案したパッチワイドポイントクラウド生成の有効性を示している。
  論文  参考訳（メタデータ） (2023-07-22T11:10:39Z)
• CurveCloudNet: Processing Point Clouds with 1D Structure [49.137477909835276]
  我々はCurveCloudNetと呼ばれる新しいポイントクラウド処理方式とバックボーンを導入する。 CurveCloudNetは、ポイントクラウドをポリラインの集合としてパラメータ化し、ポイント上の局所的なサーフェスアウェアの順序を確立する。 CurveCloudNetは、様々なセグメンテーション設定において、ポイントベースとスパースボクセルの両方のバックボーンよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-21T17:41:36Z)
• Learning Neural Volumetric Field for Point Cloud Geometry Compression [13.691147541041804]
  我々は、ニューラルネットワークを学習することで、与えられた点雲の幾何学をコーディングすることを提案する。 空間全体を小さな立方体に分割し,各空でない立方体をニューラルネットワークと入力潜時符号で表現する。 ネットワークは、空間的および時間的冗長性を利用するために、1つのフレームまたは複数のフレームで全ての立方体間で共有される。
  論文  参考訳（メタデータ） (2022-12-11T19:55:24Z)
• Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
  点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。 従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。 本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-10-08T22:01:23Z)
• Representing Point Clouds with Generative Conditional Invertible Flow Networks [15.280751949071016]
  クラウド固有の確率分布から抽出したサンプルの集合として,点雲を表現するための簡易かつ効果的な方法を提案する。 提案手法は, 生成的非可逆フローネットワークを利用して埋め込みを学習し, 点雲を生成する。 私たちのモデルは、ベンチマークデータセット上で、競争力または優れた定量的結果を提供します。
  論文  参考訳（メタデータ） (2020-10-07T18:30:47Z)
• TearingNet: Point Cloud Autoencoder to Learn Topology-Friendly Representations [20.318695890515613]
  本稿では,固定長ディスクリプタを用いたポイントクラウドの表現に挑戦する自動エンコーダTearingNetを提案する。 我々のTeringNetは、提案されたTeringネットワークモジュールと、相互に反復的に相互作用するFoldingネットワークモジュールによって特徴付けられる。 実験は、点雲の再構成や、ベンチマークよりもトポロジに優しい表現を生成するという点で、我々の提案の優位性を示している。
  論文  参考訳（メタデータ） (2020-06-17T22:42:43Z)

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。