PointInfinity：分辨率不变的点扩散模型
计算机视觉与模式识别
2024-04-05 v1
摘要
我们提出了PointInfinity，一个高效的点云扩散模型家族。我们的核心思想是使用基于Transformer的架构和固定大小、分辨率不变的潜在表示。这使得能够使用低分辨率点云进行高效训练，同时允许在推理期间生成高分辨率点云。更重要的是，我们表明将测试时分辨率扩展至超出训练分辨率可提高生成的点云和曲面的保真度。我们分析了这一现象，并将其与扩散模型中常用的无分类器指导联系起来，证明两者均允许在推理期间权衡保真度与多样性。在CO3D上的实验表明，PointInfinity能够以最先进的质量高效生成高分辨率点云（多达131k个点，比Point-E多31倍）。
关键词
引用
@article{arxiv.2404.03566,
title = {PointInfinity: Resolution-Invariant Point Diffusion Models},
author = {Zixuan Huang and Justin Johnson and Shoubhik Debnath and James M. Rehg and Chao-Yuan Wu},
journal= {arXiv preprint arXiv:2404.03566},
year = {2024}
}
备注
Accepted to CVPR 2024, project website at https://zixuanh.com/projects/pointinfinity