May, 2022

CIGMO: 在深度生成框架中的分类不变表示

PDF
TL;DR本文提出了一种名为 CIGMO 的新型深度生成模型，可以从图像数据中学习表示类别、形状和视图等因素。通过实验证明，该模型可以有效地发现物体形状的类别，即使视角差异很大，并且比以前的方法更好地完成了诸如单次物体识别和形状 - 视图解缠的任务。
deep generative modelsshape representationobject identificationview variationcigmo
发现论文，激发创造
  • 具有可控图像生成的鲁棒图像序列回归

    本文提出了一种基于可控图像生成（CIG）的新型框架，它可以生成靠近类别边界的具有特定标签的额外训练样本，并且偏向于生成不常见的类别，从而更好地解决了图像序列回归中常见的类别不平衡和重叠问题。我们的实验结果表明，CIG 方法可以与预训练图像编码器或序列回归模型灵活集成，并且对于不常见的类别，改进效果更显著。

    May, 2023

  • 从多个物体的 2D 视图中识别 3D 形状

    本文提出了一种称之为 “PrGANs” 的方法，能够在无监督学习的情况下，训练出一个能够从二维视角中通过投影反推出三维结构分布的生成式模型，并能够实现从输入图像中预测三维形状和视点，并生成新视图的功能。

    Dec, 2016

  • 完全理解通用物体：建模，分割和重建

    使用半监督学习的方法，通过将 2D 图像分解成潜在表示组成部分，结合类别、形状、反照率等信息，重建出 3D 的物体结构并生成输入图像的近似图像，有效地利用真实 2D 图像进行模型的拟合。

    Apr, 2021

  • 用于学习类别特定形状重建的多视图聚合

    本文研究了从未观察到的物体实例的可变数量的 RGB 视图学习特定类别的 3D 形状重建问题，并提出了一种可以估计密集 3D 形状并在多个和不同数量的输入视图上聚合形状的方法。

    Jul, 2019

  • 应对变化：学习细粒度视觉分类不变和最小充分表示

    通过适用于不变风险最小化和信息瓶颈原理的方法，从泛化的角度解决细粒度视觉分类问题，并应用 Rényi 的 α- 阶熵和软环境分割方案来训练模型，以学习不变和最小化的表示。实验证实了该方案在细粒度视觉分类中能显著提高性能。

    Jun, 2023

  • 学习因果不变表示以实现图上的跨分布泛化

    该研究提出了一种新的框架，Causality Inspired Invariant Graph LeArning (CIGA)，通过使用因果模型来确定图表上的潜在分布偏移，从而捕获图表的不变性，以在各种分布偏移下保证 OOD 泛化性能。

    Feb, 2022

  • 可组合通用的三维结构预测

    本文在单目图像 3D 形状重建领域引入了组合通用性的概念，并提出了一个新的框架来 better generalize 到那些有着非常不同的形状几何分布的看不见的目标类别。实验证明，我们的方法在 PartNet 中达到了比最先进的方法更高的性能，验证了我们的问题分解和网络设计的有效性。

    Dec, 2020

  • 平面与椅子：无需任何 3D 提示的类别导向的三维形状学习

    本文提出了一种基于单个 RGB 图像学习预测隐式 3D 物体形状表征的新型 3D 形状重构方法，使用多种无视角注释的单视角图像进行跨类别学习且仅使用标签进行监督，辅以分类度量学习与对抗性和视点正则化技术，取得了 ShapeNet-13，ShapeNet-55 和 Pascal3D + 数据集上优于最先进方法的效果。

    Apr, 2022

  • 使用对抗网络从图像集合推断三维形状

    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

  • 强健不变表示中的领域通用性

    本文研究对象识别中不变表示的泛化性，经过广泛实验，我们证明了不变模型学习到的非结构化潜在表示对分配偏移具有鲁棒性，因此使不变性成为有限资源环境中训练的理想属性。

    Apr, 2023