点云 GAN
机器学习
2018-10-16 v1 机器学习
摘要
生成对抗网络（GAN）在学习不同类型数据的复杂数据分布方面可取得令人满意的性能。在本文中，我们首先表明现有 GAN 算法的直接扩展不适用于点云，因为判别器所需的约束对集合数据而言是未定义的。我们提出对 GAN 算法进行两方面的修改以学习生成点云（PC-GAN）。首先，我们通过学习一个分层且可解释的采样过程，将层次贝叶斯建模与隐式生成模型的思路相结合。我们方法的一个关键组成部分是，我们为隐变量训练了一个后验推断网络。其次，我们未仅使用最先进的 Wasserstein GAN 目标，而是提出了一种夹逼目标，其得到的 Wasserstein 距离估计比常用的对偶形式更紧。由此，PC-GAN 定义了一个可纳入许多现有 GAN 算法的通用框架。我们在 ModelNet40 基准数据集上验证了我们的主张。以生成点云与真实网格之间的距离作为度量，我们发现由夹逼目标训练的 PC-GAN 在测试数据上取得了比现有方法更好的结果。此外，作为副产品，PC-GAN 学习了点云的多功能潜表示，在物体识别任务上可与其他无监督学习算法取得有竞争力的性能。最后，我们还提供了关于生成未见物体类别以及将图像转换为点云的研究，展示了 PC-GAN 引人注目的泛化能力与潜力。
引用
@article{arxiv.1810.05795,
title = {Point Cloud GAN},
author = {Chun-Liang Li and Manzil Zaheer and Yang Zhang and Barnabas Poczos and Ruslan Salakhutdinov},
journal= {arXiv preprint arXiv:1810.05795},
year = {2018}
}