ICLRApr, 2020

通过专家竞争实现因果生成场景模型

PDF
TL;DR通过训练专家生成模型的集合，鼓励系统具有模块化特征的认知偏差，从而达到控制采样和可重组性的目的，并且在处理深度分层和遮挡方面具有优势。
generative modelsmodular scene modelingunsupervised learningobject-based scene representationsensemble learning
发现论文，激发创造
  • ROOTS: 3D 场景的对象中心表示和渲染

    本文提出了一种概率生成模型，用于学习从多个物体场景的部分观察中构建模块化和组合化的三维物体模型，该模型可以推断 3D 物体表示并从任意视角呈现场景。

    Jun, 2020

  • GENESIS：基于物体中心的隐式表示生成场景推理和采样

    本文介绍一种名为 GENESIS 的三维视觉场景对象生成模型，通过捕捉场景组件之间的关系，能够分解和生成场景，并在公开数据集上进行了性能评估和半监督学习。

    Jul, 2019

  • 基于混合表示的场景合成深度生成建模

    本论文提出了一种基于深度生成模型的室内环境场景建模技术，使用前馈神经网络将先验分布映射到室内场景中的主要物体分布，并结合 2D 和 3D 物体排列表示的区分器损失对该模型进行训练，并在多个基准数据集上验证了该模型在场景插值和补全方面的有效性。

    Aug, 2018

  • 生成未曾见过的复杂场景：我们已经到达那里了吗？

    本文介绍了一种比较复杂场景条件生成模型的方法，分析了每种模型的性能和优势，发现通过对实例化空间调节规范化等措施可以提高对看得到和看不到的物体组合条件的泛化性能，同时应用语义损失可改善生成过程中的某些方面。

    Dec, 2020

  • 场景图预测的生成组合增强

    通过使用合成的稀有场景图并基于条件生成对抗网络的模型，可以解决在场景图生成中面临的组合泛化问题，提高新颖组合成分的准确性

    Jul, 2020

  • 无条件场景图生成

    本文提出了一个用于无条件生成场景图的生成模型 SceneGraphGen，通过层级循环架构直接学习带标签和有向图的概率分布，生成的场景图多样且遵循真实场景的语义模式，同时还证明了生成的图在图像合成、异常检测和场景图完整性方面的应用。

    Aug, 2021

  • 基于生成的分层模型，用于部件、物体和场景

    本文提出的深度潜变量模型 RICH 能够通过无监督学习来学习可解释的组成层次结构，并通过自上而下的方法使用高层表示来指导低层分解，在包含多个具有不同部分构成的对象的图像中，我们证明 RICH 能够学习潜在的组成层次结构并生成虚拟场景。

    Oct, 2019

  • 基于层次结构的 GAN 场景生成序列框架

    本文提出了一种基于生成对抗网络的场景生成框架，通过显式控制场景的背景和前景的生成器生成多样化的图像并更好的应对仿射变换和前景物体的遮挡等问题。

    Feb, 2019

  • 从多个未指明的视点无监督学习构造场景表示

    提出了一种基于深度生成模型的方法，通过将潜在的场景表示分为与视角无关 和 视角相关部分来学习多个未指定视角的组合场景表示，并采用神经网络来迭代集成不同视角中包含的信息。实验表明该方法能够有效地从多个未指定视角学习.

    Dec, 2021

  • 可证明学习物体为中心的表达

    通过引入组合性和不可约性假设，分析了何时可以在无监督情况下学习对象为中心的表示，并通过在合成数据上的实验验证了结果。还提供了证据表明该理论具有现有对象为中心模型的预测能力。

    May, 2023