深度树生成对抗网络 v2:点云的迭代池化
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
这项工作通过使用生成建模中的扩散模型直接生成三维空间中探测器里的能量沉积几千个空间点的点云,从而实现了高精度和速度的粒子模拟,表现出很好的物理相关分布建模。
May, 2023
本文介绍了高能物理领域的 Jets 和它们在 LHC 对撞机中的存在,针对该领域存在的数据表示问题,提出了一种新的基于 Particle cloud 的数据集 JetNet,并开发出名为 MPGAN 的新型生成模型,实验结果表明 MPGAN 在各项指标上均表现优异,未来有望被用于高能物理领域。同时,为了促进研究和提高可访问性和可重复性,开源了 JetNet Python Package,提供了接口,实现了评估和损失度量等工具。
Jun, 2021
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。
Apr, 2020
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
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
介绍了一种基于深度神经网络的准确,快速的电磁量能器模拟方法,可以快速生成大量实验数据,突破了现有算法和计算资源难以满足需求的问题,为探索物理学新领域提供了可能。
May, 2017
使用生成对抗网络(GANs)的新型快速模拟技术 extsc {CaloGAN},针对长轴分段式银河系中电磁淋浴进行建模并实现与现有全模拟技术相当甚至更好的 CPU(100x-1000x)和 GPU 上速度快(高达约 10 ^ 5 倍)
Dec, 2017
本文介绍了一种从符号树表示生成 3D 点云几何形状的方法,提出了一种新的条件 GAN 模型(PT2PC),它将树部分作为条件并将其纳入架构设计中,以端到端方式学习形状生成程序,在用户研究中证明了本方法在生成感知合理和多样 3D 点云方面的优势,同时提出了一种用于评估生成形状跟符号树条件是否满足的新结构度量标准。
Mar, 2020