生成式 PointNet：基于深度能量模型的无序点集学习用于三维生成、重建与分类
计算机视觉与模式识别
2021-04-08 v2
摘要
我们提出了一种以能量模型形式表示的无序点集（如点云）生成模型，其中能量函数由一个输入置换不变的自底向上神经网络参数化。该能量函数学习每个点的坐标编码，然后将所有单个点特征聚合成整个点云的能量。我们称我们的模型为生成式 PointNet，因为它可由判别式的 PointNet 推导而来。我们的模型可通过基于 MCMC 的最大似然学习（及其变体）进行训练，无需像 GAN 和 VAE 中那样借助任何辅助网络。与大多数依赖手工设计距离度量的点云生成器不同，我们的模型不需要任何手工设计的用于点云生成的距离度量，因为它通过依据能量函数所定义的统计属性来匹配观测样本以合成点云。此外，我们可以学习一个朝向能量模型的短程 MCMC，作为类流的生成器用于点云重建与插值。所学到的点云表示可用于点云分类。实验证明了所提出的点云生成模型的优势。
引用
@article{arxiv.2004.01301,
title = {Generative PointNet: Deep Energy-Based Learning on Unordered Point Sets for 3D Generation, Reconstruction and Classification},
author = {Jianwen Xie and Yifei Xu and Zilong Zheng and Song-Chun Zhu and Ying Nian Wu},
journal= {arXiv preprint arXiv:2004.01301},
year = {2021}
}