Generative PointNet：基于深度能量的无序点集学习，用于 3D 生成，重建和分类

Apr, 2020

Generative PointNet：基于深度能量的无序点集学习，用于 3D 生成，重建和分类

Generative PointNet: Deep Energy-Based Learning on Unordered Point Sets for 3D Generation, Reconstruction and Classification

PDF

Jianwen Xie, Yifei Xu, Zilong Zheng, Song-Chun Zhu, Ying Nian Wu

TL;DR本研究提出了一种基于能量的无序点集生成模型，通过 MCMC 最大似然学习来训练模型，并且不需要手工定义距离的度量标准来产生点云。该模型可以用于点云分类和插值。

Abstract

We propose a generative model of unordered point sets, such as point clouds, in the form of an energy-based model, where the energy functi

generative model point sets energy-based model mcmc learning point cloud representation

发现论文，激发创造

无序点集上混合生成判别式的 PointNet

该研究提出了 GDPNet，这是第一个综合生成和判别的 PointNet 模型，扩展了 JEM 用于点云分类和生成，既保留了现代 PointNet 分类器的强大判别能力，又生成了与最先进的生成方法相媲美的点云样本。

Apr, 2024

生成 VoxelNet：学习基于能量的模型进行 3D 形状合成与分析

本论文提出了一种基于能量的深度 3D 模型来表示体积形状，可实现高质量 3D 图案生成和数据特征提取，并能应用于对象恢复和超分辨率。

Dec, 2020

用于无监督点云学习的渐进式种子生成自编码器

本文提出了一种基于点云重建的学习模型 PSG-Net，它使用了新的自编码器结构，并通过无监督学习实现对点云的重建和分类，优化了传统的鉴别模型，取得了显著的效果。

Dec, 2021

FoldingNet：利用深度网格变形的点云自编码器

本文提出了一个新的端到端深度自编码器来解决点云上无监督学习的挑战，其中在编码器端强制进行了基于图的增强以促进 PointNet 的局部结构，并且通过新颖的基于折叠的解码器将一个规范化的 2D 网格变形到点云的底层 3D 对象表面上，从而实现了低重建误差。

Dec, 2017

具有能量分布概率评估的深度有向生成模型

本论文提出了一种利用生成对抗网络（GAN）和基于深度神经网络的生成模型来代替 MCMC 模型的方法，通过训练这种模型生成的采样分布近似匹配待训练的能量函数。

Jun, 2016

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

PointNet：基于点集的深度学习用于三维分类和分割

本文提出 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

Dec, 2016

点云 GAN

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。

Oct, 2018

深度树生成对抗网络 v2：点云的迭代池化

本文介绍了一种扩展了 DeepTreeGAN 的模型，其中包含一个评论者，它能够以基于树的方式迭代地聚合点云，模拟高能物理中的粒子模拟与探测器相互作用，以实现快速生成大规模点云，并准确建模粒子之间的复杂依赖关系。我们展示了该模型能够重现复杂分布，并对公开的 JetNet 150 数据集进行了评估。

Nov, 2023

通过多重网格建模和采样学习能量模型作为生成卷积神经网络

本文提出了一种多网格方法，用于学习基于能量的图像生成 ConvNet 模型，展示了其在生成更逼真的图像方面优于原始的对比散度和连续对比散度。

Sep, 2017