基于改进自回归模型的学习通用三维形状生成

自回归（AR）模型通过在网格空间中建模联合分布，在二维图像生成中取得了令人印象深刻的成果。虽然该方法已扩展至三维领域以实现强大的形状生成，但仍有两个局限：体素网格上的昂贵计算，以及沿网格维度的模糊自回归顺序。为克服这些局限，我们提出了用于三维形状生成的改进自回归模型（ImAM），其基于潜向量而非体素网格应用离散表示学习。我们的方法不仅降低了计算成本，还通过以更易于处理顺序学习联合分布来保留必要的几何细节。此外，得益于模型架构的简洁性，我们可以通过拼接各种条件输入（如点云、类别、图像与文本）将其自然地从无条件生成扩展至条件生成。大量实验表明，ImAM 能合成多类别的多样且保真的形状，达到了最先进的性能。