AAAINov, 2018

View Inter-Prediction GAN：学习全局形状记忆支持局部视图预测的无监督三维形状表示学习

PDF
TL;DR该研究提出了一种基于 RNN 的神经网络架构的无监督 3D 形状表征学习方法，通过对多视角间预测任务的训练，实现了对多个形状的形状特定全局记忆的共享，从而取得了在三大规模 3D 形状基准测试中的优异表现。
unsupervised representation learning3d shapesneural networkview inter-predictionvip-gan
发现论文，激发创造
  • 分层视图预测器：通过无序视图之间的分层预测实现无监督的三维全局特征学习

    本文提出了一种名为 Hierarchical View Predictor (HVP) 的基于深度学习的视图模型，以无监督的方式从无序视图中学习 3D 形状特征，并在形状分类和检索方面呈现出超越当前最先进方法的性能。

    Aug, 2021

  • ShapeCodes: 将视角提升至视图网格以进行自我监督特征学习

    本论文介绍了一种无监督学习方法，将三维形状信息嵌入到单视图图像表示中，通过使用单个 2D 图像的自监督训练目标，在没有人工语义标签的前提下，鼓励表示捕捉基本形状原语和语义规律，最终学习得到一个强大的表示方法，可以成功进行物体识别和 “心理旋转” 操作，成果优于相对应的其他无监督学习方法。

    Sep, 2017

  • 从多个物体的 2D 视图中识别 3D 形状

    本文提出了一种称之为 “PrGANs” 的方法，能够在无监督学习的情况下，训练出一个能够从二维视角中通过投影反推出三维结构分布的生成式模型，并能够实现从输入图像中预测三维形状和视点，并生成新视图的功能。

    Dec, 2016

  • 使用预测生成网络进行视觉结构的无监督学习

    本文探讨了基于预测未来帧的 CNN-LSTM-deCNN 框架的深度神经网络开发的内部模型，该模型学习了高层次对象特征的丰富内部表示。可以广泛泛化，是一种有效的无监督学习方法。

    Nov, 2015

  • 用于学习类别特定形状重建的多视图聚合

    本文研究了从未观察到的物体实例的可变数量的 RGB 视图学习特定类别的 3D 形状重建问题，并提出了一种可以估计密集 3D 形状并在多个和不同数量的输入视图上聚合形状的方法。

    Jul, 2019

  • AUTO3D: 通过无监督学习的变分视角和全局 3D 表示进行新颖视图综合

    本论文主要探讨基于学习的单个或有限 2D 图像的新视角合成，提出了一个端到端可训练的条件变分框架，通过空间相关模块从外观描述图像中提取全局的 3D 表示形状、纹理和以观察者为中心的坐标系原点等，实现无需显式 3D 重建即可隐含 3D 理解。

    Jul, 2020

  • 自然图像中的无监督生成式三维形状学习

    本文介绍了一种从自然图像中学习生成 3D 形状的生成模型的全面无监督方法，其中利用 GAN 等深度学习技术实现，从而生成出真实的三维图像，实现了从二维图像向三维图像的转换。

    Oct, 2019

  • 学习形状先验用于单视图 3D 补全和重建

    本文提出 ShapeHD，将深度生成模型与马赛克技术相结合，解决了单视角 3D 形状补全和重建的两个层面的问题，并在多个真实数据集上取得了比现有技术领先很多的表现。

    Sep, 2018

  • 3DViewGraph: 基于无序视角图的全局特征学习模型，利用注意力机制对三维模型进行处理

    本文提出了一种名为 3DViewGraph 的方法，该方法通过引入注意力机制，学习 3D 全局特征，解决了池化操作可能导致信息丢失和影响学习特征判别性的限制问题，并在三个大规模基准测试中展现出优异性能。

    May, 2019

  • 使用对抗网络从图像集合推断三维形状

    通过 projective generative adversarial network（PrGAN）模型，我们可以在无监督学习的情况下，从提供的二维视图中推断出三维形状的概率分布，包括形状、视角和新的视图。

    Jun, 2019