生成式 VoxelNet：学习用于三维形状合成与分析的能量模型
计算机视觉与模式识别
2020-12-29 v1
摘要
包含物体与场景丰富几何信息的三维数据对于理解三维物理世界很有价值。随着近期大规模三维数据集的出现，拥有一个强大的三维生成模型用于三维形状合成与分析变得愈发关键。本文提出一种深度三维能量模型来表示体素形状。该模型的最大似然训练遵循“分析-合成”方案。所提模型的优势有六点：第一，不同于 GAN 与 VAE，模型训练不依赖任何辅助模型；第二，模型可通过马尔可夫链蒙特卡洛（MCMC）合成逼真三维形状；第三，条件模型可应用于三维物体恢复与超分辨率；第四，模型可作为多网格建模与采样框架中的构建模块用于高分辨率三维形状合成；第五，模型可通过 MCMC 教学训练三维生成器；第六，无监督训练的模型为三维数据提供了强大的特征提取器，有助于三维物体分类。实验表明所提模型能生成高质量三维形状模式，并可广泛用于各类三维形状分析。
引用
@article{arxiv.2012.13522,
title = {Generative VoxelNet: Learning Energy-Based Models for 3D Shape Synthesis and Analysis},
author = {Jianwen Xie and Zilong Zheng and Ruiqi Gao and Wenguan Wang and Song-Chun Zhu and Ying Nian Wu},
journal= {arXiv preprint arXiv:2012.13522},
year = {2020}
}
备注
16 pages. IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI) 2020. arXiv admin note: substantial text overlap with arXiv:1804.00586