Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
의료용 포인트 클라우드 완성을 위해 Point Transformer(PTv3)와 Flow Matching을 결합한 PCFM 모델을 제안합니다. 이 모델은 기존 확산 모델보다 적은 샘플링 단계로도 최첨단 성능을 달성하며, 처리량 측면에서 뛰어난 효율성을 보여줍니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기의료용 포인트 클라우드 완성(Medical Point Cloud Completion)은 해부학적 재구성 및 다운스트림 임상 워크플로우(downstream clinical workflows)에 있어 중요하지만, 이러한 환경에서의 생성 모델링(generative modeling)은 여전히 충분히 연구되지 않았습니다. 우리는 연속 시간 생성 모델링(continuous-time generative modeling)을 통한 완성을 조사하고, 의료용 포인트 클라우드 완성을 위해 PTv3를 기반으로 하는 Flow Matching 접근 방식인 PCFM을 소개합니다. 우리는 SkullFix 및 SkullBreak, 그리고 추가적으로 더 최근의 Mandibular Defect 데이터셋에서 평가를 수행합니다. 우리는 PTv3를 결정론적 인코더-디코더(deterministic encoder-decoder) 완성 모델로 적응시키고, PVCNN 및 PTv3 디노이저(denoiser)를 모두 사용하여 확산 완성(diffusion completion, PCDiff)을 구현함으로써 강력한 베이스라인(baselines)을 구축합니다. PTv3를 사용한 PCFM은 결정론적 PTv3 베이스라인과 경쟁할 수 있는 수준이며, 확산(diffusion) 모델보다 훨씬 적은 샘플링 단계(sampling steps)를 요구하면서도 데이터셋 전반에 걸쳐 최첨단(state-of-the-art) 생성 성능을 달성합니다. 최적의 작동 지점에서 PTv3는 또한 명확한 처리량(throughput) 이점을 제공하며, PVCNN 백본(backbone)과 비교했을 때 PCFM에 대해 최대 7배의 속도 향상을 제공합니다. 마지막으로, 우리는 모델 크기와 포인트 카디널리티(point cardinality)를 변화시키며 경험적 스케일링 트렌드(empirical scaling trends)를 연구하여, 더 높은 포인트 해상도(point resolution)와 함께 일관된 이득을 보여주고 모델 규모에 따른 유익한 트레이드오프(trade-offs)를 보여줍니다.