SeaLion: 语义分部分感知潜在点扩散模型用于 3D 生成

去噪扩散概率模型已在点云生成中取得显著成功，使诸多下游应用成为可能，例如生成数据增强和 3D 模型编辑。然而，针对生成带有点级分段标签的点云以及开发用于此任务的评估指标的关注仍很少。因此，本文提出 SeaLion，一种新型扩散模型，旨在生成高质量且多样的带有细粒度分段标签的点云。具体而言，我们引入语义分部分感知潜在点扩散技术，该技术利用生成模型的中间特征，在去噪过程中联合预测扰动潜在点及其相关分段标签的噪声，然后解码潜在点以分段标签为条件生成点云。为有效评估生成点云的质量，我们引入一种名为分部分感知 Chamfer 距离 (p-CD) 的新型点云两点距离计算方法。该方法使现有指标（如 1-NNA）能够衡量生成点云的局部结构质量和跨部分一致性。在 ShapeNet 大规模合成数据集和真实世界医学数据集 IntrA 上的实验表明，SeaLion 在生成质量和多样性方面表现突出，分别在两个数据集上相较于现有最先进模型 DiffFacto 提升了 13.33% 和 6.52%。实验分析表明，SeaLion 可半监督训练，从而降低标签需求。最后，我们验证了 SeaLion 在用于训练分段模型的生成数据增强和 SeaLion 作为分部分感知 3D 形状编辑工具方面的可行性。