MedPCFM: Mejora de la finalización de nubes de puntos médicos mediante la integración de Transformers de puntos y coincidencia de flujos

Este artículo presenta PCFM, un enfoque de coincidencia de flujos para la finalización de nubes de puntos médicas que integra Point Transformer v3 (PTv3) para abordar la modelación generativa insuficientemente estudiada en este dominio. El método se evalúa en los conjuntos de datos SkullFix, SkullBreak y Mandibular Defect frente a bases fuertes deterministas y de difusión.

• PCFM con PTv3 logra un rendimiento generativo de vanguardia en todos los conjuntos de datos probados.
• El modelo requiere sustancialmente menos pasos de muestreo que los métodos basados en difusión como PCDiff.
• Proporciona hasta una aceleración de 7x en comparación con una columna vertebral PVCNN en los mejores puntos de operación.
• Las tendencias empíricas de escalado muestran ganancias consistentes con mayor resolución de puntos y compensaciones informativas entre las escalas del modelo.

Los autores consideran esto importante porque ofrece precisión competitiva mientras mejora significativamente el rendimiento, haciéndolo más eficiente para flujos de trabajo clínicos que los enfoques de difusión existentes.