Oct, 2018

点云 GAN

PDF
TL;DR本文提出了一种用于生成点云数据的改进的 GAN 算法（PC-GAN），结合了层次贝叶斯建模和隐式生成模型的思想，使用后验推理网络来学习隐藏变量、使用紧凑的 Wasserstein 距离估计来定义优化目标，从而实现了多个 GAN 算法的一般化框架。实验证明，PC-GAN 比现有方法更好地生成了许多 3D 模型，并且具有竞争性能的潜力。
发现论文，激发创造
  • 使用连续条件的点云生成

    使用辅助分类器 GAN 和核密度估计的生成对抗网络，能够在生成高质量高多样性 3D 对象的同时实现对其属性的控制。

    Feb, 2022

  • 用于高分辨率 3D 点云生成的 Spectral-GANs

    本文提出一种基于频域生成式对抗网络（GAN）的方法，使用高度结构化的光谱表示来综合 3D 点云，从而实现高分辨率且任意数量点的点云生成，并能够以无监督的方式学习高度可辨别的表征，并利用建立在空间模型上的知识进行重建。

    Dec, 2019

  • LG-GAN: 面向基于点云的深度网络的标签引导对抗网络进行灵活的有针对性攻击

    本文提出了一种新颖的标签引导的对抗网络（LG-GAN）用于实时灵活的目标点云攻击，该网络能够在单一前向传递中学习如何变形点云以使识别网络误认为是特定标签，支持在飞行中的灵活目标攻击，并同时保证攻击性能和效率的同时提高。

    Nov, 2020

  • 基于树结构图卷积的 3D 点云生成对抗网络

    本文提出了一种名为 tree-GAN 的新型生成对抗网络用于 3D 点云生成，并引入树形图卷积网络 (TreeGCN) 作为 tree-GAN 的生成器以提高特征的表示能力，通过引入评估指标 FPD 来准确评估 3D 点云 GAN，实验结果表明了 tree-GAN 在传统度量和 FPD 方面都优于现有的 GAN，并且可以生成不同语义部分的点云。

    May, 2019

  • PU-GAN: 点云上采样对抗网络

    本文提出了一种基于生成对抗网络（GAN）模型的新的点云上采样网络 PU-GAN，能够从潜在空间中学习到丰富的点分布并通过误差反馈和自校正实现对物体表面上的点的上采样，并通过鉴别器学习更多潜在模式以增强输出点的分布均匀性。定量和定性评估表明，PU-GAN 在分布均匀性、与物体表面的接近度以及三维重建质量方面，优于同类方法。

    Jul, 2019

  • SG-GAN: 从单张图像实现对 3D 脑点云的细节立体感感知增强

    本研究提出了一种新型的 SG-GAN 模型，用于在单个图像的条件下生成高密度的脑点云。相比现有方法，实验结果表明该模型在视觉质量、目标度量和分类表现方面具有优越性。

    May, 2023

  • 一种用于生成密集且色彩丰富的三维点云的渐进式条件生成对抗网络

    本文介绍了一种使用条件生成对抗网络并以无监督的方式为各种物体创建具有颜色的密集三维点云的方法，并提出了一种点变换器，该变换器通过使用图卷积逐渐增加网络规模。实验结果表明，该网络能够学习和模仿三维数据分布，并产生具有多种分辨率和精细细节的彩色点云。

    Oct, 2020

  • 学习 3D 点云的表示和生成模型

    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。

    Jul, 2017

  • 学习型点云几何压缩

    本文提出了一种基于神经网络的自动编码器和 3D 卷积的点云几何压缩方法，相对于 MPEG 标准压缩算法，可以获得至少 60% BD-Rate 增益，并在视觉效果上表现优越。

    Sep, 2019

  • 基于不确定性感知配对比较的鲁棒条件 GAN

    本论文提出了一种新的生成对抗网络 (PC-GAN)，利用成对比较的弱监督来进行图像属性编辑，通过贝叶斯不确定性估计和抗噪声的对抗训练，PC-GAN 可以有效地估计属性评分，并在噪声抗性方面表现出出色的性能。在大量实验证明，PC-GAN 与完全监督方法性能相当且优于无监督基线。

    Nov, 2019