通过对抗学习隐表示量化点云真实感
计算机视觉与模式识别
2022-09-12 v1
摘要
判断生成模型合成样本的质量可能繁琐且耗时，尤其对于如点云这样的复杂数据结构。本文提出一种量化 LiDAR 点云中局部区域真实感的新方法。通过在代理分类任务上训练，从真实世界与合成点云中学习相关特征。受公平网络启发，我们使用对抗技术来抑制数据集特定信息的编码。所得度量可在不需要任何任务特定标注的情况下为样本分配质量分数。在一系列实验中，我们通过在可控任务设置和未见过的数据上应用该度量来确认其合理性。额外实验显示了该度量在具有不同真实程度数据间的可靠插值能力。作为一个重要应用，我们展示了局部真实感分数如何用于点云中的异常检测。
引用
@article{arxiv.2109.11775,
title = {Quantifying point cloud realism through adversarially learned latent representations},
author = {Larissa T. Triess and David Peter and Stefan A. Baur and J. Marius Zöllner},
journal= {arXiv preprint arXiv:2109.11775},
year = {2022}
}
备注
2021 German Conference on Pattern Recognition (GCPR). Project Page: http://ltriess.github.io/lidar-metric