重新思考三维点云生成对抗网络中的采样
计算机视觉与模式识别
2020-06-15 v1 机器学习
图像与视频处理
摘要
在本文中，我们考察了点云 GAN 中长期被忽视却十分重要的点采样模式的影响。通过大量实验，我们表明对采样不敏感的判别器（如 PointNet-Max）会生成带有点聚集伪影的形状点云，而对采样过度敏感的判别器（如 PointNet++、DGCNN）则无法引导有效的形状生成。我们提出采样谱的概念以刻画判别器不同的采样敏感度。我们进一步研究了不同评估指标如何权衡采样模式与几何形状，并提出了若干构成指标采样谱的感知指标。在提出的采样谱指导下，我们发现了一种中点采样感知的基线判别器 PointNet-Mix，它在采样相关指标上大幅改进了所有现有的点云生成器。我们指出，尽管近期研究聚焦于生成器设计，点云 GAN 的主要瓶颈实际在于判别器设计。我们的工作为构建未来判别器提供了建议与工具。我们将发布代码以促进未来研究。
引用
@article{arxiv.2006.07029,
title = {Rethinking Sampling in 3D Point Cloud Generative Adversarial Networks},
author = {He Wang and Zetian Jiang and Li Yi and Kaichun Mo and Hao Su and Leonidas J. Guibas},
journal= {arXiv preprint arXiv:2006.07029},
year = {2020}
}