使用连续条件的点云生成
本文介绍了一种使用条件生成对抗网络并以无监督的方式为各种物体创建具有颜色的密集三维点云的方法,并提出了一种点变换器,该变换器通过使用图卷积逐渐增加网络规模。实验结果表明,该网络能够学习和模仿三维数据分布,并产生具有多种分辨率和精细细节的彩色点云。
Oct, 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
本文研究了在生成条件之下如何进行三维模型的生成,并提出了一种新的方法来使得在不同旋转角度下生成的同一模型相同。实验结果表明该方法可以成功地生成不同条件下的模型对。
Aug, 2018
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
本文提出利用生成对抗网络(GAN)为新手用户设计真实世界形状,使用具有简单界面的体素网格进行编辑。该方法的主要优势是通过学习投影和生成算子来协助用户创建背景分布对象形状的 3D 模型,同时不必指定所有细节。通过该算法及工具的实验表明 GAN 是计算机辅助交互建模的一种有前途的方法。
Jun, 2017
该研究论文探讨生成模型在三维点云形状建模方面的应用,提出一种基于归一化流和仿射耦合层的潜在变量模型,用于生成、自编码和单视角形状重构任务,相较最近的基于 GAN 和基于连续流的模型,该模型在训练和推理速度上有明显提升,并在特定指标上实现了优于其他模型的表现,包括单视角形状重构等。
Jul, 2020
本文提出了一种新颖的框架,即 3D 生成对抗网络(3D-GAN),通过利用体积卷积网络和生成对抗网络的最新进展,从概率空间生成 3D 对象,并具有生成高质量 3D 对象、无先验 CAD 模型或图像依赖性、生成器从低维概率空间到 3D 空间的映射以及训练出的无监督深度学习的 3D 描述符等优点,在 3D 对象生成及识别等方面取得了令人印象深刻的性能。
Oct, 2016
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