В статье представлен PCFM — подход на основе flow matching для завершения медицинских точечных облаков, интегрирующий Point Transformer v3 (PTv3) для решения проблемы недостаточно изученного генеративного моделирования в данной области. Метод оценивается на наборах данных SkullFix, SkullBreak и Mandibular Defect по сравнению с сильными детерминированными и диффузионными базовыми моделями.

  • PCFM с PTv3 достигает наилучших показателей генеративной производительности на всех протестированных наборах данных.
  • Модель требует существенно меньше шагов сэмплирования по сравнению с диффузионными методами, такими как PCDiff.
  • Она обеспечивает ускорение до 7 раз по сравнению с базовой архитектурой PVCNN в лучших режимах работы.
  • Эмпирические тенденции масштабирования демонстрируют последовательные улучшения при более высоком разрешении точек и информативные компромиссы между масштабами модели.

Авторы считают это важным, поскольку метод обеспечивает конкурентную точность при значительном улучшении пропускной способности, что делает его более эффективным для клинических рабочих процессов по сравнению с существующими диффузионными подходами.