增强型混合式3D生成对抗网络用于3D物体的完成功能与生成
计算机视觉与模式识别
2026-02-10 v1
摘要
3D物体的生成与完成功能代表计算机视觉中的一项变革性挑战。生成对抗网络（GAN）最近在合成真实视觉数据方面展现出强大的潜力。然而，它们往往难以捕捉复杂且多样化的数据分布，尤其是在输入不完整或缺失区域显著的情况下。这些挑战主要源于高计算要求以及难以建模异构且结构复杂的数据，这限制了其在实际场景中的应用。混合专家（MoE）模型已然成为解决这些限制的有前景的方案。通过为给定输入动态选择并激活最相关的专家子网络，MoE能够提升性能和效率。本文研究将深层3D卷积生成对抗网络（CGAN）与MoE框架集成，以生成高质量3D模型并重建不完整或损坏的物体。该架构包含多个生成器，每个生成器专注于捕捉数据集中不同模式。此外，引入一个无需辅助损失的动态容量约束（DCC）机制，以引导分类生成器的选择，确保专业化、训练稳定性和计算效率之间的平衡，这在3D体素处理中至关重要。我们评估了该模型在生成带有不同大小缺失区域的形状方面的能力，并将其性能与最先进的方法进行了比较。定量和定性结果均确认了所提出MoE-DCGAN在处理复杂3D数据方面的有效性。
引用
@article{arxiv.2602.08046,
title = {Enhanced Mixture 3D CGAN for Completion and Generation of 3D Objects},
author = {Yahia Hamdi and Nicolas Andrialovanirina and Kélig Mahé and Emilie Poisson Caillault},
journal= {arXiv preprint arXiv:2602.08046},
year = {2026}
}
备注
11