KeyPointDiffuser: 通过潜在扩散模型进行无监督3D关键点学习
计算机视觉与模式识别
2025-12-04 v1 机器学习
摘要
以无监督方式理解和表示3D物体的结构仍然是计算机视觉和图形学中的核心挑战。大多数现有的无监督关键点方法并非为无条件生成设置而设计，限制了其在现代3D生成流水线中的使用；我们的公式明确地弥合了这一差距。我们提出了一种从点云数据学习空间结构化3D关键点的无监督框架。这些关键点作为紧凑且可解释的表示，用于条件化一个阐释扩散模型（EDM）以重建完整形状。所学的关键点在物体实例之间表现出可重复的空间结构，并支持关键点空间中的平滑插值，表明它们捕捉了几何变化。我们的方法在多样化的物体类别上取得了强劲性能，相比先前方法在关键点一致性上获得了6个百分点的提升。
引用
@article{arxiv.2512.03450,
title = {KeyPointDiffuser: Unsupervised 3D Keypoint Learning via Latent Diffusion Models},
author = {Rhys Newbury and Juyan Zhang and Tin Tran and Hanna Kurniawati and Dana Kulić},
journal= {arXiv preprint arXiv:2512.03450},
year = {2025}
}