PointGMM

摘要

• 点云是 3D 形状的常用表示形式。但是，它们对特定采样进行编码，而不考虑形状先验或非局部信息。
• 提倡使用分层高斯混合模型（hGMM），这是一种紧凑，自适应和轻量级的表示，可以概率地定义底层3D表面。
• 提出了PointGMM，这是一个神经网络，它学习生成hGMM，这些hGMM是形状类的特征，并且也与输入点云一致。PointGMM通过一组形状进行训练，以学习特定于类的先验。
• 分层表示有两个主要优点：（i）从粗到细的学习，避免收敛到较差的局部最小值;以及 （ii）（无监督）对输入形状进行一致的分区。
• 我们表明，作为一个生成模型，PointGMM学习了一个有意义的潜在空间，可以在现有形状之间生成一致的插值，以及合成新的形状。
• 我们还提出了一种使用PointGMM进行刚性配准的新框架，该框架学习将方向与输入形状的结构分开。