学习用于形状生成的梯度场
计算机视觉与模式识别
2020-08-19 v2 机器学习
摘要
在本工作中，我们提出一种从点云数据生成形状的新技术。点云可视为来自三维点分布的样本，其密度集中于形状表面附近。因此点云生成相当于将随机采样点移动到高密度区域。我们通过在未归一化概率密度上执行随机梯度上升来生成点云，从而将采样点移向高似然区域。我们的模型直接预测对数密度场的梯度，并可使用改编自基于score的生成模型的简单目标进行训练。我们表明，我们的方法在点云自编码与生成上可达到SOTA性能，同时还允许提取高质量隐式表面。代码见 https://github.com/RuojinCai/ShapeGF。
引用
@article{arxiv.2008.06520,
title = {Learning Gradient Fields for Shape Generation},
author = {Ruojin Cai and Guandao Yang and Hadar Averbuch-Elor and Zekun Hao and Serge Belongie and Noah Snavely and Bharath Hariharan},
journal= {arXiv preprint arXiv:2008.06520},
year = {2020}
}
备注
Published in ECCV 2020 (Spotlight); Project page: https://www.cs.cornell.edu/~ruojin/ShapeGF/