Mar, 2020

通过度量保存先验学习隐含的形状表示

PDF
TL;DR本文提出度量保持作为学习变形三维形状隐式表示的有力先验。其关键在于引入几何畸变准则，在解码形状上直接定义，将解码上的度量保持转化为潜在空间下的线性路径形成。度量保存提供了一种严格控制几何畸变量、从而获得更高质量的合成样本的方法，而我们的构建的有效性和潜力显示在样式迁移、内容生成和形状完整性方面。
发现论文，激发创造
  • 用于三维形态建模与重建的深度优化先验

    该研究提出了一种新的 3D 建模和重建学习框架，通过连接基于学习和基于优化的方法的优点并优化学习的先验和潜在编码，提高了深度生成器的广义性。实验结果显示，该方法在处理高度稀疏或坍塌的观测数据方面比现有方法都有优势。

    Dec, 2020

  • 生成式潜在形状模型的几何分离

    本文提出了一种无监督的方法来将三维点云的变分自编码器的潜空间进行划分，结果展现出直观可解释的行为，在姿态转换和姿态感知形状检索等任务上表现出色，为人工智能中 3D 形状表示问题提供重要思路。

    Aug, 2019

  • Pri3D：3D 先验能够帮助 2D 表征学习吗？

    探讨了利用几何约束来学习视角不变、几何感知表达，通过对 RGB-D 数据进行对比度学习，实现从 3D 先验信息到 2D 表达的迁移，并在语义分割、实例分割、室内物体检测中实现了显著提升。

    Apr, 2021

  • 概率几何度量

    使用 Riemannian 几何工具研究了概率生成降维模型的几何结构，以高斯过程为基础，定义了一种度量分布，利用度量在潜变量空间中进行插值并测量距离，从而更恰当地生成新数据。

    Nov, 2014

  • 用 VAEs 学习平坦的潜在流形

    本研究提出了一种基于 Riemannian geometry 的扩展的变分自编码器框架，可以学习平面的潜在流形，通过约束优化问题和使用更具表达力的层次先验代替紧凑先验，使得在保留直线状方法的计算效率的同时，能够在视频跟踪基准测试中接近监督学习方法的性能。

    Feb, 2020

  • 基于曲率先验的 MRF 分割和形状修复

    本文提出了一个框架，用于发现高阶先验的简洁表示，使得推理更为高效。我们用先前提出的线性函数的下包络来编码这些先验，最大后验推断可以通过离散变量的成对函数最小化来完成。尽管这是一个主要是理论的论文，我们还在图像分割和重建的问题上展示了我们框架的实际效果，表明它可以学习一个鼓励低曲率形状的先验，并展示了一些形状填补和图像分割的结果。

    Sep, 2011

  • 密集形状对应的自监督学习

    介绍了第一种完全无监督的对变形三维图形进行对应学习的方法，通过理解自然变形的形态变化近似保持曲面的度量结构，提出了一种驱动学习过程的自然准则，从而克服了对带注释数据的需求，并取而代之的是一种纯几何标准，学习模型不分含义类别，能够利用任何类型的可变形几何数据进行训练，相对于现有的专门针对训练期间观察到的类别的监督方法，我们展示出更强的泛化能力和应用于各种具有挑战性设置的能力，在广泛的对应基准测试中展示了我们的方法，在精度、泛化能力和效率方面均超过了其他方法。

    Dec, 2018

  • 大规模距离度量学习及其不确定性

    本文提出了一种保持边界的度量学习框架，同时学习距离度量和潜在样本。该方法在处理大规模数据集时具有高效性，并且可以使学习的度量对数据不确定性具有鲁棒性，并且通过实验证明了该方法的有效性和高效性。

    May, 2018

  • 学到的表示的测地线

    提出了一种新方法来可视化和精细化学习表示的不变性，并测试了线性化的一般形式，发现现有的图像分类网络对于平移、旋转和扩展等几何图像变换不能很好地线性化，但通过改进表示方法可以解决这一问题。

    Nov, 2015

  • 拓扑感知的潜在扩散用于 3D 形状生成

    我们介绍了一个新的生成模型，它将潜在扩散与持续同调相结合，以创建具有高多样性的 3D 形状，重点关注它们的拓扑特征。

    Jan, 2024