深度卷积逆图形网络
计算机视觉与模式识别
2015-06-23 v4 图形学
机器学习
神经与进化计算
摘要
本文提出深度卷积逆图形网络(Deep Convolutional Inverse Graphics Network, DC-IGN)，一种学习图像可解释表示的模型。该表示对于平面外旋转和光照变化等变换具有解耦特性。DC-IGN模型由多层卷积与反卷积算子组成，并使用随机梯度变分贝叶斯(Stochastic Gradient Variational Bayes, SGVB)算法训练。我们提出一种训练过程，以鼓励图形代码层中的神经元表示特定变换(如姿态或光照)。给定单张输入图像，我们的模型可生成同一物体在不同姿态和光照下的新图像。我们给出了该模型在学习三维渲染引擎方面的定性及定量效果结果。
引用
@article{arxiv.1503.03167,
title = {Deep Convolutional Inverse Graphics Network},
author = {Tejas D. Kulkarni and Will Whitney and Pushmeet Kohli and Joshua B. Tenenbaum},
journal= {arXiv preprint arXiv:1503.03167},
year = {2015}
}
备注
First two authors contributed equally