Jul, 2018

GRAINS: 室内场景生成递归自编码器

PDF
TL;DR本研究通过使用基于层次结构的编码器（支持，周围和共存关系），实现了用于室内 3D 场景生成的递归神经网络，结合一种变分自编码器（VAE），用于场景对象组合和场景生成。研究表明，所提方法能够高效地生成大量和多样化的 3D 室内场景，并在与现有方法的比较中展现出优越性能。
generative neural network3d indoor sceneshierarchical structureautoencoderscene generation
发现论文，激发创造
  • GRASS: 用于形状结构的生成递归自编码器

    介绍了一种新颖的神经网络架构，用于编码和合成 3D 形状的层次结构，其中包括生成模型和形状合成模块。

    May, 2017

  • 层次去噪递归自编码器用于三维场景布局预测

    该文介绍了一个通过 VDRAE 对大规模 3D 场景数据进行训练来推测实例级分割和 3D 对象检测的方法，该方法在现实世界的 3D 点云数据集上比以往的工作有了明显的改进。

    Mar, 2019

  • 从场景图和自注意力生成 3D 场景

    使用自我关注层和图变换器从场景图和楼层平面图中合成 3D 场景布局，生成更稀疏和多样化的场景。

    Apr, 2024

  • 变分循环自编码器

    该论文提出了一种模型 —— 变分循环自编码器（VRAE），结合了 RNN 和 SGVB 的优点，可用于针对大规模时间序列数据进行高效的无监督学习，将时间序列数据映射为潜在向量表示。该模型具有生成性，因此可以从潜空间的样本生成数据。此外，该模型能够利用无标记数据，通过初始化权重和网络状态，促进 RNN 的监督训练。

    Dec, 2014

  • 医学时间序列生成的因果循环变分自编码器

    提出了一种因果延迟变分自编码器（CR-VAE）的新型生成模型，它能够从多元时间序列 x 中学习 Granger 因果图，并将其潜在因果机制纳入其数据生成过程中，借助于一个稀疏的邻接矩阵来编码所有变量对之间的因果关系，并在使用经典延迟自动编码器进行比较时，CR-VAE 经常优于最先进的时间序列生成模型。

    Jan, 2023

  • 从单个深度视图密集重建 3D 物体

    通过 3D-RecGAN ++，使用生成对抗网络从单个任意深度视图重建给定对象的完整三维结构，诸如多视图的对象或类标签，仅使用深度视图的体素网格表示作为输入，充分利用了自动编码器和条件生成式对抗网络框架的生成能力，在高维体素空间中推断对象的准确和细粒度的三维结构，并在合成和真实数据集上得到了验证。

    Feb, 2018

  • 一种结构化变分自编码器用于学习稀疏特征的深度层次结构

    本研究提出了一种基于深度潜在随机变量的自然图像生成模型，其采用新型分布称为修正高斯，其中采用类似 spike-and-slab 的稀疏性，保持了有效的随机梯度变分推断的可微性；通过一个结构化后验分布估计函数的近似，提出了一种新型结构化变分近似方法，避免常规均场假设，并保持了生成模型的先验依赖关系，从而实现了具有许多层潜在随机变量的深度模型的联合训练。

    Feb, 2016

  • 变分图自编码器

    本文提出可变图自编码器 (VGAE) 框架，用于处理基于变分自编码器 (VAE) 的图结构数据无监督学习模型。该模型基于潜在变量，能够学习图的可解释的潜在表示。在引文网络的链接预测任务中，我们使用图卷积网络 (GCN) 编码器和内积解码器来展示该模型。与大多数现有的图结构数据和链接预测无监督学习模型相比，我们的模型可以自然地融入节点特征，从而在许多基准数据集上显著提高预测性能。

    Nov, 2016

  • NeRF-VAE：几何感知的 3D 场景生成模型

    NeRF-VAE 是一种 3D 场景生成模型，通过使用 NeRF 和可微分体积渲染结构，将几何结构纳入考虑，利用摊销推理，无需重新训练便能推断新型场景的结构，采用显式的 3D 渲染过程与缺乏几何结构的卷积模型形成对比，它是一种 VAE 学习一个描述辐射场的分布，并通过在潜在场景表示上加以限定。我们展示了，一旦训练完成，NeRF-VAE 能够通过很少的输入图像推断和渲染几何上一致的未曾见过的 3D 环境，而且还展示了 NeRF-VAE 泛化到分布之外的相机的能力优于卷积模型。最后，我们介绍并研究了 NeRF-VAE 解码器的基于注意力的约束机制，以提高模型性能。

    Apr, 2021

  • 深度自回归网络

    本文介绍了一种深度、生成式自编码器，它能够从数据中学习分层式分布式表示。通过基于最小描述长度原理的有效近似参数估计方法，我们证明了该方法在几个经典数据集上取得了最先进的生成性能。

    Oct, 2013