用于三维点云紧凑表示的对抗自编码器
机器学习
2019-05-03 v3 计算机视觉与模式识别
机器学习
摘要
深度生成架构提供了一种不仅对图像而且对任意复杂三维物体（如点云）进行建模的途径。本文提出一种新方法，以获取可用于三维点生成、重建、压缩与聚类等挑战性任务的有意义的三维形状表示。现有三维点云生成方法为表示学习与生成训练相互解耦的独立模型，与之相反，我们的方法是首个端到端方案，可同时学习表示的潜空间并据此生成三维形状。此外，我们的模型能够通过在对潜空间进行对抗训练来学习有意义的紧凑二值描述子。为实现该目标，我们扩展深度对抗自编码器模型（AAE）以接受三维输入并生成三维输出。得益于端到端训练机制，所得称为三维对抗自编码器（3dAAE）的方法获得了二值或连续潜空间，其覆盖了训练数据分布的更大部分。最后，我们的定量评估表明，3dAAE 在三维点聚类与三维物体检索上提供了 SOTA 结果。
引用
@article{arxiv.1811.07605,
title = {Adversarial Autoencoders for Compact Representations of 3D Point Clouds},
author = {Maciej Zamorski and Maciej Zięba and Piotr Klukowski and Rafał Nowak and Karol Kurach and Wojciech Stokowiec and Tomasz Trzciński},
journal= {arXiv preprint arXiv:1811.07605},
year = {2019}
}
备注
10 pages, 8 figures