稀疏潜点扩散模型控制的带限网格生成
本文提出了一个概率模型,将点云看作是处于非平衡热力学系统内的粒子,并通过扩散过程学习将噪声分布转换为所需形状分布的逆扩散过程,即点云生成过程。具体地,将点云的逆扩散过程建模为一个以某个形状因子为条件的马尔科夫链,并提供了闭合形式的变分下界以进行训练。实验结果显示,该模型在点云生成和自编码方面具有竞争性能。
Mar, 2021
在电影、游戏、工程以及增强 / 虚拟现实等多种实际应用中,可控地生成 3D 资产具有重要意义。最近,扩散模型在生成 3D 对象的质量方面取得了显著的成果。然而,现有模型中没有一个能够实现对形状和外观的分离生成。我们首次提出了一种适用于 3D 扩散模型的合适表示方法,通过引入混合的点云和神经辐射场方法实现了这种分离,模拟了点位置的扩散过程,并结合高维特征空间的局部密度和亮度解码器。点位置表示对象的粗略形状,而点特征则允许对几何形状和外观细节进行建模。这种分离使得我们能够独立地对二者进行采样和控制。与之前的分离能力方法相比,我们的方法在生成方面达到了新的技术水平,降低了 30-90% 的 FID 分数,并且与其他非分离能力的最先进方法处于同一水平。
Dec, 2023
该研究论文探讨生成模型在三维点云形状建模方面的应用,提出一种基于归一化流和仿射耦合层的潜在变量模型,用于生成、自编码和单视角形状重构任务,相较最近的基于 GAN 和基于连续流的模型,该模型在训练和推理速度上有明显提升,并在特定指标上实现了优于其他模型的表现,包括单视角形状重构等。
Jul, 2020
我们介绍了一种在 3D 形状表面上直接操作的基于内在隐性扩散模型的框架,旨在合成高质量的纹理。通过对网格顶点上的离散矢量场编码纹理的隐式表示和学习在表面上的学习隐空间中去噪扩散过程的隐性扩散模型,我们的方法具有两个贡献。我们考虑了一种单一纹理网格范式,其中我们的模型被训练为在网格上生成给定纹理的变化。我们展示了合成的纹理与现有的单一纹理网格生成模型相比,具有较高的保真度。我们的模型还可以用于用户控制的编辑任务,例如修复缺失和标签引导的生成。我们提出的框架具有在等价变换下的等变性,这部分有助于我们方法的有效性,使我们的模型能够在局部相似区域之间无缝复现细节,并打开了生成纹理迁移的可能性。
Dec, 2023
该研究使用基于 GAN latent space 的技术和生成式扩散模型,通过条件输入的两个 latent codes(空间内容掩码和扁平化样式嵌入)对其生成进行控制,从而实现图像的有效操控和转化。
Feb, 2023
本文提出了一种新颖的概率生成建模方法,称为 Point-Voxel Diffusion(PVD),它是一个统一的、概率的公式,用于无条件的形状生成和多模态形状完成。PVD 将降噪扩散模型与 3D 形状的混合点 - 体素表示相结合,并通过优化变分下界来训练(条件)似然函数。实验证明了 PVD 的高保真度合成能力,以及从单视角深度扫描的真实对象中生成多个完成结果的能力。
Apr, 2021
本文提出了一种基于可变四面体网格的扩散模型,用于生成具有细粒度几何细节的 3D 网格,以适用于自动场景生成和物理模拟等各种应用。
Mar, 2023
本文提出一个能够通过对形状的部分进行建模来实现可控部分点云生成的新颖概率生成模型 DiffFacto,通过独立建模每个部分的样式和配置分布的分解方法,以及利用交叉扩散网络生成一致和合理的形状。实验证明该方法在多方面产生良好的效果,并可用于形状插值、混合和变换编辑等不同功能应用。
May, 2023