面向3D点云生成的非最优输运流
计算机视觉与模式识别
2025-02-19 v1 人工智能
摘要
学习3D点云的生成模型是3D生成学习中的一个基本问题。点云的一个关键性质是其排列不变性，即点的顺序改变不会改变所表示的形状。本文分析了最近提出的等效OT流，这些模型学习针对基于点的分子数据的排列不变生成模型，并指出这些模型在大型点云上规模不佳。此外，我们观察到学习（等效）OT流通常具有挑战性，因为在轨迹开始处使轨迹“直线化”会使所学习的流模型变得复杂。为此，我们提出非最优输运流模型，通过离线OT预计算获得近似OT，从而高效构建训练用的OT配对。在训练期间，我们可以额外构建混合耦合，将近似OT与独立耦合组合，以便更容易地学习目标流模型。在广泛的实证研究中，我们表明所提出的模型在ShapeNet基准上的无条件生成和形状完成任务上优于先前的扩散和流模型方法。
引用
@article{arxiv.2502.12456,
title = {Not-So-Optimal Transport Flows for 3D Point Cloud Generation},
author = {Ka-Hei Hui and Chao Liu and Xiaohui Zeng and Chi-Wing Fu and Arash Vahdat},
journal= {arXiv preprint arXiv:2502.12456},
year = {2025}
}