RL-GAN-Net：一种由强化学习智能体控制的 GAN 网络用于实时点云形状补全
计算机视觉与模式识别
2019-04-30 v1 人工智能
摘要
我们提出 RL-GAN-Net，其中强化学习（RL）智能体对生成对抗网络（GAN）提供快速且鲁棒的控制。我们的框架应用于点云形状补全，通过控制 GAN 将含噪声的部分点云数据转换为高保真补全形状。虽然 GAN 不稳定且难以训练，我们规避该问题的方法是：（1）在维度较原始点云输入降低的潜空间表示上训练 GAN；（2）使用 RL 智能体寻找 GAN 的正确输入，以生成最贴合当前不完整点云输入的形状的潜空间表示。所提出的流水线对具有大缺失区域的点云实现了鲁棒补全。据我们所知，这是首次尝试训练 RL 智能体来控制 GAN，其有效学习了从 GAN 的输入噪声到点云潜空间的高度非线性映射。RL 智能体取代了对复杂优化的需求，从而使我们的技术达到实时。此外，我们展示了我们的流水线可用于提升含缺失数据的点云的分类精度。
引用
@article{arxiv.1904.12304,
title = {RL-GAN-Net: A Reinforcement Learning Agent Controlled GAN Network for Real-Time Point Cloud Shape Completion},
author = {Muhammad Sarmad and Hyunjoo Jenny Lee and Young Min Kim},
journal= {arXiv preprint arXiv:1904.12304},
year = {2019}
}
备注
Accepted to IEEE CVPR 2019