arxiv：2404.03566v1 [cs.cv] 2024年4月4日__

arxiv：2404.03566v1 [cs.cv] 2024年4月4日

可下载资源数量

已经购买

下载数量：1

单价	0 1.0
Coupon	100% 0%
Total	0 1.0

点击下载点击购买并下载

点击购买，资源将自动在新窗口打开.

机构名称：

arxiv：2404.03566v1 [cs.cv] 2024年4月4日

¥ 1.0

热度

图像。相比之下，基于扩散的3D点云生成方法落后了，缺乏其2D图像对应物的实现和多样性。我们认为，一个中心挑战是典型点云的实质性尺寸：公共点云数据集[11，50]通常以100k或更多的分辨率包含点云。这导致了由于转移点相对于输入点的数量的二次复杂性而导致的一般建模的计算成本。因此，最新模型受到计算约束的严重限制，通常仅限于2048或4096点的低分辨率[32，36，46，57，59]。在本文中，我们提出了一个有效的点云扩散模型，该模型有效地训练并轻松扩展到高分辨率输出。我们的主要思想是设计一类具有固定尺寸的分辨率潜在反复限制的AR插图。我们展示了如何通过低分辨率监督有效地训练这些模型，同时可以在推理过程中构成高分辨率点云的发生。我们的直觉来自这样的观察，即可以将对象的不同点云视为共享连续3D表面的不同样本。因此，经过训练的生成模型，该模型从表面上对多个低分辨率进行建模，应该从下面的表面学习表示形式，从而使其能够在训练后生成高分辨率样本。为了将此直觉编码为模型设计，我们建议将基础表面的表示和点云生成的表示。前者是用于对基础表面进行建模的恒定内存。后者的大小可变，具体取决于点云的分辨率。我们设计了轻巧的读写模块，以在两个表示之间进行通信。我们模型的大部分计算用于建模基础表面。我们的实验证明了与我们的模型1的高分辨率不变性。以低分辨率为1,024的训练，该模型在以最先进的质量中最多可产生131k点，如图1。概念上，我们观察到，使用比训练更高的分辨率实际上导致表面保真度略高。我们分析了这种有趣的现象，并借鉴了与无分类器指导的联系。我们强调，与点E相比，我们的一代输出的分辨率> 30倍[36]。我们希望这是朝着高质量的3D输出迈出的有意义的一步。概念上，我们观察到，使用比训练更高的分辨率实际上导致表面保真度略高。我们分析了这种有趣的现象，并借鉴了与无分类器指导的联系。我们强调，与点E相比，我们的一代输出的分辨率> 30倍[36]。我们希望这是朝着高质量的3D输出迈出的有意义的一步。

添加pdf代下载 VIP点击下载文件