用于高分辨率 3D 点云生成的 Spectral-GANs
计算机视觉与模式识别
2020-07-21 v2
摘要
点云因其准确的形状描述和可直接从距离扫描仪获取，而成为视觉与图形任务的热门选择。这要求具备合成与重建高质量点云的能力。当前用于 3D 数据的深度生成模型通常处理简化表示（例如体素化物体），且无法应对点云固有的冗余性与不规则性。近期少数关于 3D 点云生成的尝试分辨率有限，且复杂度随输出分辨率增加而增长。本文中，我们开发了一种利用谱域生成对抗网络（GAN）合成 3D 点云的原则性方法。我们的谱表示高度结构化，并允许我们解耦不同频带，从而简化 GAN 模型的学习任务。与空间域生成方法相比，我们的公式能以最小计算开销生成任意数量点的高分辨率点云。此外，我们提出一个全可微块以在谱域与空间域之间相互转换，从而允许我们整合来自成熟空间模型的知识。我们证明 Spectral-GAN 在点云生成任务上表现良好。另外，它能以无监督方式学习高度判别性的表示，并可用于准确重建 3D 物体。
引用
@article{arxiv.1912.01800,
title = {Spectral-GANs for High-Resolution 3D Point-cloud Generation},
author = {Sameera Ramasinghe and Salman Khan and Nick Barnes and Stephen Gould},
journal= {arXiv preprint arXiv:1912.01800},
year = {2020}
}
备注
1 page: Added affiliations