通过三维生成对抗建模学习物体形状的概率隐空间
计算机视觉与模式识别
2017-01-05 v2 机器学习
摘要
我们研究三维物体生成问题。我们提出一种新颖的框架，即三维生成对抗网络（3D-GAN），它通过利用体素卷积网络与生成对抗网络的最新进展，从概率空间中生成三维物体。我们模型的优势有三方面：首先，使用对抗准则而非传统的启发式准则，使生成器能够隐式地捕捉物体结构并合成高质量的三维物体；其次，生成器建立了从低维概率空间到三维物体空间的映射，从而我们可以在无需参考图像或CAD模型的情况下对物体进行采样，并探索三维物体流形；第三，对抗判别器提供了一种强大的三维形状描述符，该描述符在无监督下学习，在三维物体识别中具有广泛应用。实验表明，我们的方法生成高质量的三维物体，且我们无监督学习到的特征在三维物体识别上取得了令人印象深刻的性能，可与监督学习方法相媲美。
引用
@article{arxiv.1610.07584,
title = {Learning a Probabilistic Latent Space of Object Shapes via 3D Generative-Adversarial Modeling},
author = {Jiajun Wu and Chengkai Zhang and Tianfan Xue and William T. Freeman and Joshua B. Tenenbaum},
journal= {arXiv preprint arXiv:1610.07584},
year = {2017}
}
备注
NIPS 2016. The first two authors contributed equally to this work