PLAD：利用伪标签与近似分布学习推断形状程序

推断生成 2D 和 3D 形状的程序对于逆向工程、编辑等十分重要。训练模型执行此任务很复杂，因为许多领域不易获得成对的（形状，程序）数据，使得精确监督学习不可行。然而，可以通过牺牲所分配程序标签或形状分布的准确性来获得成对数据。Wake-sleep 方法使用形状程序生成模型的样本来近似真实形状的分布。在自训练中，形状通过识别模型，该模型预测的程序被视为这些形状的“伪标签”。与这些方法相关，我们引入了一种独特的程序推断自训练变体，其中程序伪标签与其执行输出形状配对，以近似形状分布为代价避免标签不匹配。我们提议将这些机制归置于单一概念框架下，其中训练使用源自伪标签或近似分布（PLAD）的最大似然更新进行。我们在多个 2D 和 3D 形状程序推断领域评估了这些技术。与策略梯度强化学习相比，我们展示 PLAD 技术推断出更准确的形状程序并显著更快收敛。最后，我们提议在单一模型训练内组合来自不同 PLAD 方法的更新，并发现该方法优于任何单独技术。