无序点集上混合生成判别式的 PointNet
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
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
本文介绍了一系列训练技术来填补 JEM 的准确性和生成质量之间的差距,包括使用 SAM 框架来促进 JEM 能量景观的平滑性和泛化能力,将数据增强从 JEM 的最大似然估计管道中排除,并缓解数据增强对图像生成质量的负面影响。大量实验证明,我们的 SADA-JEM 在图像分类、图像生成、校准、外部分布检测和对抗鲁棒性方面均取得了突出表现,优于 JEM。
Sep, 2022
使用分层高斯混合模型和神经网络,提出 PointGMM 模型,既可以用于学习形状类的特征又能与输入点云相符,其生成模型可以生成一种有意义的潜在空间,这使得能够生成现有形状之间的连续插值以及合成新形状。同时,提出了一种利用 PointGMM 进行刚性配准的新框架。
Mar, 2020
本文介绍了一种扩展了 DeepTreeGAN 的模型,其中包含一个评论者,它能够以基于树的方式迭代地聚合点云,模拟高能物理中的粒子模拟与探测器相互作用,以实现快速生成大规模点云,并准确建模粒子之间的复杂依赖关系。我们展示了该模型能够重现复杂分布,并对公开的 JetNet 150 数据集进行了评估。
Nov, 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
本文提出了一种针对点云运算的模型二值化方法 BiPointNet,该方法引入了 Entropy-Maximizing Aggregation 和 Layer-wise Scale Recovery 来解决聚合引起的特征同质化和尺度失真问题,并在多个基本任务和主流骨干网络上实现了显著的改善,且在实际应用中取得了显著的性能提升效果,包括 14.7 倍的加速和 18.9 倍的存储节省。
Oct, 2020
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 PointNet 网络,通过直接消耗点云数据并尊重其排列不变性,实现了一个统一的架构,可用于物体分类、局部分割和场景语义解析等多种应用,并在理论和实验方面都有较好表现。
Dec, 2016