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。