学习 3D 点云的表示和生成模型

Jul, 2017

Learning Representations and Generative Models for 3D Point Clouds

Panos Achlioptas, Olga Diamanti, Ioannis Mitliagkas, Leonidas Guibas

TL;DR该论文探讨了点云作为表示几何数据的方法，利用深度自编码器网络来提高 3D 识别及形状编辑的表现，并对不同的生成模型进行了研究，发现在 AE 的潜在空间中训练的高斯混合模型具有最佳的生成效果。

Abstract

Three-dimensional geometric data offer an excellent domain for studying representation learning and generative modeling. In this paper, we look at geometric data represented as point clouds. We introduce a deep <

point clouds autoencoder generative modeling 3d recognition shape editing

发现论文，激发创造

3D 点云的生成模型

本研究的目的是通过实验转换编码器、潜空间流模型和自回归解码器等方法来改进点云潜空间生成模型的性能，并对这些模型在不同物体类型上的生成和重构性能进行分析和比较。

Feb, 2023

3D 表征的深度生成模型：一项调查

本文概述了 3D 生成方法和 3D 感知图像合成的算法和表示方法的发展，并探讨了面临的困难和挑战。

Oct, 2022

3D-QAE：全量子三维点云的完全自编码

该论文介绍了首个用于三维点云的量子自动编码器，通过在模拟的基于门的量子硬件上进行实验，证明了该方法优于简单的经典基准模型，为三维计算机视觉领域开辟了新的研究方向。

Nov, 2023

点云自监督表示学习的隐式自编码器

本文主张在基于自监督的三维表征学习中使用隐式曲面表征，通过提出的隐式自编码器（IAE）方法，解决了点云重建过程中的离散化采样误差问题，并在各种自监督学习基准测试中达到了最先进的性能水平。

Jan, 2022

MetaSets: 基于点集的元学习用于泛化表示

本文提出了一种名为 MetaSets 的方法，通过元学习点云表示来解决点云通用表示的问题，并设计了两个基准用于三维点云的仿真到真实转移，实验结果表明 MetaSets 大大优于现有的三维深度学习方法。

Apr, 2022

PointGMM：用于点云的神经 GMM 网络

使用分层高斯混合模型和神经网络，提出 PointGMM 模型，既可以用于学习形状类的特征又能与输入点云相符，其生成模型可以生成一种有意义的潜在空间，这使得能够生成现有形状之间的连续插值以及合成新形状。同时，提出了一种利用 PointGMM 进行刚性配准的新框架。

Mar, 2020

点云自监督学习：基于三维到多视角遮蔽自编码器

通过使用 3D 到多视图掩码自编码器，充分利用 3D 点云的多模属性，提出了一种全新的方法，这不仅丰富了模型对几何结构的理解，还利用了点云的固有多模性能，有效地改进了各种任务，包括 3D 对象分类、少样本学习、部分分割和 3D 对象检测。

Nov, 2023

生成式潜在形状模型的几何分离

本文提出了一种无监督的方法来将三维点云的变分自编码器的潜空间进行划分，结果展现出直观可解释的行为，在姿态转换和姿态感知形状检索等任务上表现出色，为人工智能中 3D 形状表示问题提供重要思路。

Aug, 2019

基于聚类的点云表示学习用于三维分析

基于聚类的监督学习方案用于点云分析，通过在点嵌入空间上进行类内聚类来自动发现子类模式，进而重构嵌入空间以提高鲁棒性；该算法在各种 3D 网络架构上表现出明显的改进，并在知名点云分割数据集和 3D 检测中显示出实用性。

Jul, 2023

利用几何度量实现网格不变的三维生成深度学习

该论文提出了一种可以处理不同参数化的、基于核的计量的网络架构，可以用于人脸的生成学习任务。

Jun, 2023