EditVAE论文阅读笔记

最新推荐文章于 2022-04-21 10:42:53 发布
最新推荐文章于 2022-04-21 10:42:53 发布
阅读量1.4k 收藏
点赞数
分类专栏： 论文阅读 文章标签： 计算机视觉 人工智能 3d
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/baidu_40582876/article/details/122406690
版权

Unsupervised Part-Aware Controllable 3D Point Cloud Shape Generation 是2021年10月放在arxiv上的一篇论文

Task

基于组件的形状的生成，使用无监督的方式

Key Idea

利用VAE作为学习框架，在隐空间中进行分解，以无监督的方式学习形状的各个组件之间的关系，达到结构感知的学习结果

方法

输入一个点云的形状，首先经过一个后验(Encoder)，然后经过重参数化采样，得到一个全局的隐空间，经过一个线性映射，得到不同part的分解空间，再经过三个不同的映射，分别得到了点云，位姿，图元三个不同的信息，再将上述分解的信息经过拼接，复原为完整的点云信息和图云信息。

参考文献：

[1] Shidi Li, Miaomiao Liu, Christian Walder: EditVAE: Unsupervised Part Aware Controllable 3D Point Cloud Shape Generation. CoRR abs/2110.06679 (2021)

莫问前程学无止境
关注
专栏目录
spp-net论文阅读笔记
08-18
spp-net论文阅读笔记
iMeta | 威斯康星大学周之超等开发病毒组全能型分析流程
刘永鑫的博客——宏基因组公众号
06-16 2201
点击蓝字 关注我们ViWrap：用于从宏基因组中识别、归类和预测病毒的宿主关系的模块化工具iMeta主页：http://www.imeta.science研究论文●原文链接DOI: https://doi.org/10.1002/imt2.118●2022年6月7日，威斯康星大学周之超团队在iMeta在线发表了题为 “ViWrap: A modular pipeline to ident...
论文阅读笔记模板
08-19
【论文阅读笔记模板】 在计算机科学与技术领域，学术论文是知识传播的重要载体，而有效阅读和理解论文是提升专业技能的关键步骤。以下是一个适用于计算机相关专业论文阅读的笔记模板，旨在帮助读者系统地记录、理解...
学习看论文入门记录、阅读论文笔记模板
07-11
论文的基本了解、论文笔记内容、阅读记录模板纵向、阅读记录模板横向、论文搜索翻译润色、笔记等的相关网站软件记录
论文阅读笔记模板1
08-08
【毕业设计】——论文阅读笔记模板AI-For-NLP课程小组日期标题作者问题/任务描述在本篇论文中，我们将采用一个系统性的方法来记录和理解一篇研究文章，旨在为毕业设计提供有效的文献分析框架。 1. 文献类型分类这篇...
YOLO-V1论文阅读笔记
最新发布
09-06
YOLOv1论文笔记
Contact-based Reasoning for Generating 3D Shapes from Parts 论文阅读理解
baidu_40582876的博客
12-14 3973
Background There is increasing demand for high-quality 3D object models across multiple fields: gaming and virtual reality; advertising and e-commerce; synthetic training data for computer vision and robotics; and more. The traditional practice of ma...
Octree Transformer读书笔记
baidu_40582876的博客
12-06 2605
任务 用自回归的方式来生成三维形状(3D Shape)。 问题 （1）怎么压缩数据（在分辨率较高的时候会造成内存开销过大） （2）如何以自回归的方式生成结果 方法 整个过程分为三个阶段，(1)输入一个八叉树序列。（2）将其压缩为一个短的序列。（3）训练一个标准的transformer解码器。当完成训练以后，可以利用transformer生成一个序列向量，并且解压解码。 序列化的八叉树 首先对一个体素化的shape，用一个包围盒(bounding cube)将其围住，并对其进行细分，每一次都划
Learning Deformable Kernels in 3D GraphConvolution Networks for Point Cloud Analysis 阅读笔记
baidu_40582876的博客
12-23 2539
Task 定义一种在三维形状中，新的点云运算方法。 问题 (1) 三维点云是一种无序，无结构的三维形状表达方式，因此不能提供一种统一的运算方式。 (2)之前的一些方法，在对三维点云进行一些操作，例如放缩和平移的时候，就会影响计算的效果。 解决方法 （1）利用一个可变形的3D核去学习3D点云的信息。 （2）提出了一个基于图的最大池化的方法去处理不同的尺度信息。 方法 作者自定义了图卷积的感受野，即对于一个三维形状中的每一个点，作者固定了其周围的最近邻的M个点作为其感受野。此外，作..
Adversarial Generation of Continuous Images 阅读笔记
baidu_40582876的博客
12-01 2536
任务 在对图像的表示中，最经典的方式是利用矩阵对图片进行表达，但是这种表达方式将图片进行离散化了。而在真实的世界中，我们认为是连续的，或者近似连续的。于是，作者提出使用一个连续的函数来表示图像，再结合目前的神经网络，提出一个方案，即利用神经网络来逼近这个连续的函数。这种方案被称为INR(Implicit Neural Representation)，表达的公式如下: 对于图像来说，INR将二维坐标映射到RGB的一个值。 上图是一个对比图，坐标为常规的卷积网络做图像生成的方法，右边为使用IN..
Rethinking positional encoding 阅读笔记
baidu_40582876的博客
12-09 1993
首先，我们来回顾一下经典的transformer下的PE。 PE：我们知道，transformer模型的attention机制并没有包含位置信息，即一句话中词语在不同的位置时在transformer中是没有区别的，这当然是不符合实际的。为了解决这个问题，transformer添加了额外的向量PE来解决这个问题。这个向量能够决定当前词的位置，或者说在一个句子中不同的词之间的距离。 理想的情况下位置编码的设计应该满足： 它应该为每个字输出唯一的编码 不同长度的句子之间，任何两个字之间的差值应该保持一致 它
Constrained Graphic Layout Generation via Latent Optimization 论文阅读笔记
baidu_40582876的博客
11-30 1971
任务 基于布局的元素的标签和限制条件，生成高质量合理的布局(Layout)。这个问题其实前人已经有不少的工作处理过了，但是，之前的工作都是直接生成布局，但是在生成布局的时候，有可能出现各种的遮挡，重叠等情况，因此作者在设计新的神经网络解决布局的生成问题之后，利用最优化的思想，设计了目标函数和限制条件，优化最终的生成效果。 方法 整个的方法分为两个Part,如上图的pipeline所示分别是LayoutGan++和Constrained Layout Generation via Late...
A Generalization of Transformer Networks to Graphs 论文阅读笔记
baidu_40582876的博客
01-28 1775
Task 使用transformer去处理图结构数据。 Motivation 图数据拥有两个特性：(1)稀疏性。(2) 结点间有拓扑关系。这两个特性对于图来说非常重要，但是在利用transformer去处理图数据时，由于在任意两个结点之间建立了联系，因此可以说忽略了图的稀疏性和拓扑关系这两个特性，因此作者想设计一种基于图的transformer，在保留图的特性的时候，依旧能够利用transformer去处理。 Method 整个网络的结果如上图所示，其中图左边描述的是不加入边信息的transfor
Conditional Structure Generation throughGraph Variational Generative Adversarial Nets 论文阅读
baidu_40582876的博客
04-21 1278
目标 基于语义条件生成图 (1)基于条件生成尽可能相似的图。 (2)有条件的生成新的图。 解决的问题 (1)基于语义有条件的生成图 (2)如何处理图在生成过程中的顺序的问题 解决问题的方法 (1)提出了一个图变分自编码对抗生成网络。本质是Graph+VAE+GAN的结构和方法。 (2)通过对共轭潜在分布的变分推断，将结点编码分解为排列不变的图编码。 共轭：共轭（conjugate）是贝叶斯方法中很常见的一个词，结合贝叶斯定理，我们可以将“共轭”理解为后验和先验是同一种分布。参考文
ViTGAN: Training GANs with Vision Transformers阅读笔记
baidu_40582876的博客
12-21 1270
Task 图像的生成 Key idea 利用transformer作为基本的计算单元，替代传统的CNN，同时基于GAN的基础架构，去完成图像的生成任务。 面对的问题： (1) GAN的正则化方法与注意力机制的交互很差，导致训练中稳定性不足 (2)在鉴别器训练的后期，对抗训练经常受到高方差梯度（或尖峰梯度）的阻碍。高方差梯度会在训练的时候导致震荡，非常影响训练的效果。 解决的方法： (1) 在判别器中，研究者重新审视了自注意力的 Lipschitz 性质，在此基础上他们设计了一种加强了..
Combining Implicit Function Learning and Parametric Models for 3D Human Reconstruction
baidu_40582876的博客
11-11 1071
ECCV 2020的内容，属于几何深度学习，同时隶属于当下火热的方法隐式函数,下文是本篇论文的读书笔记。 文献一开始提出了隐式函数在进行生成的时候的缺点: （1）生成的物体表面是静态的 （2）模型的表面不能进行编辑 作者提出的方法结合了隐式函数对模型细节的表达能力+对模型参数化的表达从而去重建人体的三维模型。（让surface与相应的语义对应） 本篇paper的核心目标:In this paper, we focus on the reconstruction of human models f.
Rethinking Graph Transformers with Spectral Attention 阅读笔记
baidu_40582876的博客
02-14 1056
NIPS 2021 困难：难以定义正确的位置 图网络(GNN)产生过度平滑的原因：图网络的消息传递框架使用了前面两个主要函数 Aggregate 和 Update，它们从邻居那里收集特征向量并将它们与节点自己的特征结合起来更新它们的表示。此操作的工作方式使交互节点（在此过程中）具有非常相似的表示。 ...
Do Transformers Really Perform Bad for Graph Representation 阅读笔记
baidu_40582876的博客
12-27 1048
Task 利用transformer进行图预测，即给出一个图，预测出其类别，其中图由来表示，代表结点，代表边。在阅读这篇论文之前，回顾一下经典的GNN和Transformer。 GNN 一般的图神经网络通常通过聚合邻接结点的特征更新结点表达，称为AGGREGATE-COMBINE。公式如下所示： 其中，l代表的是图卷积的层数，h代表的是结点在每一层的特征。一般聚合操作包括mean, max, sum。 Transformer Transformer通过计算节点相似度对节点表示进行更新。 ..
"跨域人群计数的自适应方法及实验研究-论文阅读笔记PPT展示
根据提供的内容，下面是一段对两篇顶会论文的阅读笔记的综述： 本次PPT展示主要介绍了两篇顶会论文，分别是《Bi-level Alignment for Cross-Domain Crowd Counting》和《Few-shot Image Generation via Cross-...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值