CVPRMar, 2019

层次去噪递归自编码器用于三维场景布局预测

PDF
TL;DR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。
3d object layoutshierarchical contextvariational denoising recursive autoencoderinstance-level segmentationsobject detection
发现论文，激发创造
  • GRAINS: 室内场景生成递归自编码器

    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。

    Jul, 2018

  • 用于非监督异常检测的上下文编码变分自编码器

    本研究提出了一种基于深度学习自编码器的未监督学习方法，结合了重构与密度计算的异常得分方法，成功地应用于医学影像的异常检测，并在 BraTS-2017 和 ISLES-2015 分割基准测试中表现出色。

    Dec, 2018

  • 鉴别性哈密顿变分自编码器在数据稀缺情况下精准肿瘤分割

    通过提出基于 Hamiltonian 变分自动编码器（HVAE）和区别性正则化的新的端到端混合架构，我们的方法可以准确估计图像和蒙版的联合分布，从而生成具有较少伪影和离群实例的逼真医学图像。通过在丰富增强的数据集上以切片方式操作，我们的架构可以快速且准确地分割 3D 体积，在 BRATS（MRI 模态）和 HECKTOR（PET 模态）两个公开数据集上的实验证明了我们提出的方法在有限数据的不同医学成像模态上的有效性。

    Jun, 2024

  • 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

  • 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

  • 大规模视频预测的贪心分层变分自编码器

    介绍了一种基于 Greedy Hierarchical Variational Autoencoders (GHVAEs) 的高保真度视频预测模型，能够解决 GPU 或 TPU 的内存限制和大规模视频预测的优化难题，并在四个视频数据集上取得了 17-55% 的预测性能提升和 35-40% 更高的成功率。

    Mar, 2021

  • 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

  • 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

  • 树形变分自编码器

    提出了一种新的生成分层聚类模型 ——Tree Variational Autoencoder（TreeVAE），它能够分层地划分样本并发现数据中潜在结构，并利用树形结构中的叶子节点解码器提高了生成性能。TreeVAE 在不同的数据集上表现出了较高的对数似然下界，并且通过条件采样能够从聚类中生成新的样本。

    Jun, 2023

  • 无监督结构噪声去除的变分有损自编码器

    本研究介绍了一种基于深度学习的无监督降噪方法，能够移除图像中的信号相关噪声和轴向相关噪声，无需干净图像或噪声模型作为输入，实验结果表明该方法优于现有的自监督和无监督图像降噪方法。

    Oct, 2023