增强基于扩散的点云生成方法,使用平滑度约束
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
我们提出了一个新的框架,将点云配准问题看作是从噪声变换到对象变换的去噪扩散过程,并通过生成模型和统一概率表达解决了代表性的判别任务之一 - 点云配准问题。
Dec, 2023
本研究提出两种方法来扩展扩散模型至通过不等式约束定义的流形,包括基于对数障碍度量的失真度量以及基于反射布朗运动的失真度量,在合成和真实任务中进行了实证表明,包括蛋白质骨架和机器人臂运动的约束构象模拟。
Apr, 2023
通过在模型训练过程中加入约束条件使其生成的样本更符合所施加的约束,从而提高生成样本与约束的一致性,且相较于现有方法有更好的性能且不影响推断速度;该方法还可以自然地防止过拟合。
Mar, 2024
通过设计一种新颖的稀疏潜点扩散模型,将点云作为中间表示建模并控制生成的网格的整体结构和局部细节,以提高效率和可控性,实现了在生成质量和可控性方面与现有方法相比优越的网格生成。
Mar, 2023
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
本研究介绍了一种基于 SE (3) 扩散模型的点云注册框架,用于实现现实场景下的 6D 物体姿态估计。我们的方法将 3D 注册任务作为一种去噪扩散过程,逐步改进源点云的姿态,以与模型点云精准对齐。通过 SE (3) 扩散过程和 SE (3) 反向过程对我们的框架进行训练。
Oct, 2023
本文提出了一种基于素描和文本引导的彩色点云生成概率扩散模型,通过结合物体的手绘素描和文本描述,联合进行去噪过程,逐步扩散点坐标和颜色值以达到高斯分布,从而产生所需形状和颜色的彩色点云生成结果。
Aug, 2023
通过扩散模型实现对强健平滑模型的提高认证鲁棒性的研究,提出了一种具有针对性的扩散平滑管线 DiffSmooth,通过扩散模型进行对抗净化,然后通过简单而有效的局部平滑策略将净化后的实例映射到一个共同区域,并证明了 DiffSmooth 在不同数据集上实现了最先进的认证鲁棒性。
Aug, 2023
利用图片条件模型扩散点云模型的新型三维建筑生成方法,在保持整体结构同时综合生成建筑顶部结构,实验证明该方法在建筑生成质量方面优于之前的研究。
Aug, 2023