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
2025-11-27 v2 人工智能
机器学习
摘要
自回归点云生成长期滞后于基于扩散的方法在质量上。性能差距源于自回归模型对本质上无序点集合施加了人为的排序，迫使形状生成以局部预测的序列方式进行。这种序列偏差强调了短程连续性，但削弱了模型捕获长程依赖的能力，阻碍了其强制全局结构属性（如对称性、一致拓扑和大尺度几何规律）的能力。灵感来自形状建模中的层次细节（LOD）原则，我们提出了PointNSP，一个从粗到细的生成框架，在较低分辨率处保留全局形状结构，并通过下一尺度预测范式在更高尺度上逐步细化细粒度几何。这种多尺度分解将自回归目标与点集合的排列不变性相吻合，使其能够在尺度内实现丰富的互动，同时避免脆弱的固定排序。在ShapeNet数据集上的实验表明，PointNSP首次在自回归范式内建立了状态最佳（SOTA）生成质量。此外，它在参数、训练和推理效率方面超过了强大的扩散基线。最后，在8192个点的密集生成中，PointNSP的优势更为显著，凸显了其在可扩展性方面的潜力。
引用
@article{arxiv.2510.05613,
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:2510.05613},
year = {2025}
}
备注
This work was intended as a replacement of arXiv:2503.08594 and any subsequent updates will appear there