随流而行：用于点云生成与重建的归一化流混合模型
计算机视觉与模式识别
2021-12-01 v3
摘要
近期归一化流（NFs）在建模3D点云上展现了最先进的性能，同时允许在推理时以任意分辨率采样。然而，这些基于流的模型仍需较长训练时间且需较大模型以表示复杂几何。本工作通过将NFs混合应用于点云来增强其表征能力。我们表明，在这一更通用的框架中，各分量完全以无监督方式专门学习物体的特定子区域。通过为每个混合分量实例化一个相对较小的NF，我们生成了比单流模型细节更优的点云，同时参数量更少并大幅降低推理运行时间。我们进一步证明，通过添加数据增强，各混合分量能以语义有意义的方式实现专门化。我们基于ShapeNet数据集在生成、自编码和单视图重建上评估了NFs混合模型。
引用
@article{arxiv.2106.03135,
title = {Go with the Flows: Mixtures of Normalizing Flows for Point Cloud Generation and Reconstruction},
author = {Janis Postels and Mengya Liu and Riccardo Spezialetti and Luc Van Gool and Federico Tombari},
journal= {arXiv preprint arXiv:2106.03135},
year = {2021}
}