一种用于生成密集且色彩丰富的三维点云的渐进式条件生成对抗网络
本文提出了一种名为 tree-GAN 的新型生成对抗网络用于 3D 点云生成,并引入树形图卷积网络 (TreeGCN) 作为 tree-GAN 的生成器以提高特征的表示能力,通过引入评估指标 FPD 来准确评估 3D 点云 GAN,实验结果表明了 tree-GAN 在传统度量和 FPD 方面都优于现有的 GAN,并且可以生成不同语义部分的点云。
May, 2019
本文提出了一种新的 3D 生成建模框架,使用 2D 卷积运算从多个视角预测 3D 结构,并联合应用几何推理和 2D 投影优化来高效地生成以密集点云形式呈现的物体形状,并引入伪渲染器来合成优化的新深度图,在单张图像 3D 对象重建任务中表现了优越的形状相似性和预测密度。
Jun, 2017
本论文提出了一种有效的点云生成方法,从潜在向量中生成相同形状的多分辨率点云;使用新颖的渐进去卷积网络和基于学习的双边插值,从低分辨率点云开始,通过级联的去卷积层逐渐输出高分辨率的局部和全局特征 maps,使用多层感知器作为生成网络生成多分辨率点云,并提出了形状保持对抗损失来训练点云去卷积生成网络,实验结果表明了方法的有效性。
Jul, 2020
使用深度神经网络从单一图像中重建 3D 点云坐标,设计了面对真实世界几何转换不变性和地面真实性模糊的问题的新型方法,包括条件形状采样器,能够预测多个可能的 3D 点云。在实验中表现优异,不仅在单图像 based 3D 重建基准测试中胜过现有技术,也在形状补全方面表现出强大性能,有望在多个可能性预测方面表现出色。
Dec, 2016
本文提出了一种新颖的标签引导的对抗网络(LG-GAN)用于实时灵活的目标点云攻击,该网络能够在单一前向传递中学习如何变形点云以使识别网络误认为是特定标签,支持在飞行中的灵活目标攻击,并同时保证攻击性能和效率的同时提高。
Nov, 2020
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
本文提出一种基于频域生成式对抗网络(GAN)的方法,使用高度结构化的光谱表示来综合 3D 点云,从而实现高分辨率且任意数量点的点云生成,并能够以无监督的方式学习高度可辨别的表征,并利用建立在空间模型上的知识进行重建。
Dec, 2019
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