PointNSP：基于下一尺度层次细节预测的自回归 3D 点云生成
计算机视觉与模式识别
2025-12-02 v3 机器学习
摘要
自回归点云生成长期滞后于扩散方法。性能差距源于自回归模型对本无序点集施加人为排序，迫使形状生成以局部预测序列进行，强化短程连续性但削弱捕获长程依赖的能力，限制了对全局结构（如对称性、一致拓扑和大尺度几何规律）的建模。受层次细节（LOD）原理启发，我们提出 PointNSP，一种粗到细的生成框架，旨在低分辨率保持全局形状结构，随后通过下一尺度预测逐步细化高分辨率几何。这种多尺度分解将自回归目标与点集的排列不变性相吻合，实现丰富的尺度内相互作用，避免僵硬的固定排序。在 ShapeNet 数据集上实验表明，PointNSP 首次在自回归范式内建立了最新（SOTA）生成质量。此外，它在参数、训练和推理效率上超越了强大的扩散基线。最后，在8192点的密集生成中，PointNSP 的优势更为显著，凸显了其扩展潜力。
引用
@article{arxiv.2503.08594,
title = {PointNSP: Autoregressive 3D Point Cloud Generation with Next-Scale Level-of-Detail Prediction},
author = {Ziqiao Meng and Qichao Wang and Zhiyang Dou and Zixing Song and Zhipeng Zhou and Irwin King and Peilin Zhao},
journal= {arXiv preprint arXiv:2503.08594},
year = {2025}
}
备注
24 pages; Previously this version appeared as arXiv:2510.05613 which was submitted as a new work by accident