用于分布归一化的 Lennard-Jones 层
机器学习
2024-02-06 v1 计算物理
摘要
我们提出了 Lennard-Jones 层（LJL），用于通过系统性地重新排列点来均衡化 2D 和 3D 点云的密度，而不会破坏其整体结构（分布归一化）。LJL 模拟了单个点之间产生阻力和弱吸引相互作用的耗散过程，考虑每个点在给定时间的最近邻。这是将粒子推入势谷，达到近似均匀抽样的稳定配置。我们将 LJL 应用于将随机生成的点云重新分配为随机均匀分布。此外，将 LJL 嵌入点云网络的生成过程中，通过在推理后期阶段添加它们来实现。对 3D 点云生成利用 LJL 的改进进行了定性和定量评估。最后，我们将 LJL 应用于改进基于评分的 3D 点云去噪网络的点分布。总体而言，我们展示了 LJL 对于无需重新训练给定神经网络即可进行分布归一化具有有效性。
关键词
引用
@article{arxiv.2402.03287,
title = {A Lennard-Jones Layer for Distribution Normalization},
author = {Mulun Na and Jonathan Klein and Biao Zhang and Wojtek Pałubicki and Sören Pirk and Dominik L. Michels},
journal= {arXiv preprint arXiv:2402.03287},
year = {2024}
}
备注
Upon request, we are happy to share the source code to generate the results presented in this paper. Please contact the first or the last author of this manuscript