Bayesian Diffusion Models for 3D Shape Reconstruction

要約

ベイジアン拡散モデル (BDM) は、統合拡散プロセスを介してトップダウン (事前) 情報とボトムアップ (データ駆動型) 手順を緊密に結合することにより、効果的なベイジアン推論を実行する予測アルゴリズムです。
3D 形状再構成タスクにおける BDM の有効性を示します。
ペアになった（教師付き）データラベル（例：画像と点群）データセットでトレーニングされたプロトタイプの深層学習データ駆動型アプローチと比較して、当社の BDM はスタンドアロンラベル（例：点群）から豊富な事前情報を取り込み、ボトムアップ 3D 再構成を改善します。
。
推論に明示的な事前確率と尤度が必要な標準ベイジアン フレームワークとは対照的に、BDM は学習された勾配計算ネットワークと結合した拡散プロセスを介してシームレスな情報融合を実行します。
当社の BDM の特徴は、積極的かつ効果的な情報交換と、それ自体が拡散プロセスとなるトップダウンとボトムアップのプロセスの融合を実現できることにあります。
3D 形状再構成の合成ベンチマークと現実世界のベンチマークの両方で最先端の結果を実証します。

要約(オリジナル)

We present Bayesian Diffusion Models (BDM), a prediction algorithm that performs effective Bayesian inference by tightly coupling the top-down (prior) information with the bottom-up (data-driven) procedure via joint diffusion processes. We show the effectiveness of BDM on the 3D shape reconstruction task. Compared to prototypical deep learning data-driven approaches trained on paired (supervised) data-labels (e.g. image-point clouds) datasets, our BDM brings in rich prior information from standalone labels (e.g. point clouds) to improve the bottom-up 3D reconstruction. As opposed to the standard Bayesian frameworks where explicit prior and likelihood are required for the inference, BDM performs seamless information fusion via coupled diffusion processes with learned gradient computation networks. The specialty of our BDM lies in its capability to engage the active and effective information exchange and fusion of the top-down and bottom-up processes where each itself is a diffusion process. We demonstrate state-of-the-art results on both synthetic and real-world benchmarks for 3D shape reconstruction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google