点云 GAN
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
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
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
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
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
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
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
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
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