无序点集上的混合生成与判别 PointNet
计算机视觉与模式识别
2024-04-22 v1
摘要
由于点云提供了一种自然且灵活的表示方式，可用于无数应用（例如机器人和自动驾驶汽车），因此合成点云以进行分析的能力变得至关重要。最近，Xie 等人提出了一种以能量模型（EBM）形式表示的无序点集生成模型。尽管该模型在点云生成方面取得了令人印象深刻的性能，但为了捕获复杂的点集分布，需要为每个类别训练一个单独的模型。此外，他们的方法无法直接对点云进行分类，并且需要额外的微调才能进行分类。一个有趣的问题是：我们能否训练一个单一网络来构建点云的混合生成与判别模型？最近，类似的问题在图像领域得到了肯定的回答，引入了联合能量模型（JEM）框架，该框架在图像分类和生成方面同时实现了高性能。本文提出了 GDPNet，这是第一个将 JEM 扩展用于点云分类和生成的混合生成与判别 PointNet。我们的 GDPNet 保留了现代 PointNet 分类器强大的判别能力，同时生成的点云样本可与 SOTA 生成方法相媲美。
引用
@article{arxiv.2404.12925,
title = {A Hybrid Generative and Discriminative PointNet on Unordered Point Sets},
author = {Yang Ye and Shihao Ji},
journal= {arXiv preprint arXiv:2404.12925},
year = {2024}
}