TreeGAN-论文翻译

3D Point Cloud Generative Adversarial Network Based on Tree Structured Graph Convolutions
基于树状结构图卷积三维点云创成对抗性网络

图1、我们的树-GaN多类生成的无监督三维点云（例如，摩托车，笔记本电脑，表，吉他，滑板，刀，表，手枪，及汽车从左上角到右下角）。我们的树-GaN可以产生比基线更准确的点云，并且也可以产生点云的对象的语义部分，分别以不同的颜色来表示。

摘要
在本文中，我们提出了一个三维点云生成的新颖的生成对抗网络，称为Tree-GAN。为了实现多分类3D点云生成的最先进的性能，树形结构图卷积网络（TreeGCN）被引入作为Tree-GAN的发生器。因为Tree-GCN在一个树内执行图形卷积，它可以使用原始信息来带动表示强有力的特征。为了准确评估GANs下三维点云的准确率，我们开发一种称为弗雷谢点云的距离“（FPD）新型的评价指标。实验结果表明，所提出的Tree-GAN在传统度量和fpd方面都优于最新的GAN。

1介绍：
近年来，基于深度神经网络的三维数据生成问题引起了广泛的研究兴趣，并通过多种方法得到了解决，包括图像到点云[11,19]、图像到体素[45]、图像到网格[40]、点云到体素[6,50]，点云对点云[47]。生成的三维数据已经在广泛的计算机视觉应用中获得优异的性能（例如，分割[30,37,44]、体积形状表示[46]、对象检测[4,35]、特征提取[24]、轮廓检测[15]，分类[29，34]和场景理解[20，43]。
然而，很少有人致力于开发能够在无监督的情况下生成三维点云的生成性对抗网络（gans）。据我们所知，关于将随机潜码（即z向量）转换为三维点云的gans的工作只有[1]和[39]。[1]中的方法仅使用完全连接的层生成点云。文献[39]中的方法利用局部拓扑，利用k近邻技术生成几何精度高的点云。然而，随着动态图更新次数的增加，它的计算复杂度越来越高。此外，它只能使用点云生成数量有限的对象类别（例如椅子、飞机和沙发）。
本文提出了一种新的无监督生成三维点云的方法tree-GAN。它还可以生成多类三维点云，而无需对每个类分别进行训练（例如，[39]）。为了在精度和计算效率方面达到最新的性能，我们提出了一种新的树结构图卷积网络（treegcn）作为tree-GAN的生成器。该方法保留了每个点的原始信息，并利用这些信息通过图卷积来提取新的点。Tree-gcn中的k支持分支过程和循环项进一步增强了点的表示能力。这两个特性使treegcn能够生成更精确的点云，并表示更多样的对象类别。此外，我们还证明了在treegcn中使用特征的祖先比在传统gcn中使用特征的邻居在计算上更有效。图1显示了我们的树gan的有效性。
本文的主要贡献有四个方面。

•我们提出了一种新的树gan方法，它是一种深度生成模型，可以在无监督的情况下生成多类三维点云（第3节）。

•我们介绍基于treegcn的生成器。采用该树结构进行图卷积可以显著提高传统gcns的性能。基于所提出的树结构，树gan可以通过选择特定的祖先来生成部分对象（第4节）。

•我们对treegcn进行了数学解释，并强调了其理想特性（第5节）。

•我们提出了frechet点云距离（fpd）度量来评估三维点云的gans。fpd可以看作是frechet起始距离（fid）的一个重要扩展[17]，它被广泛地应用于评价gans（第6节）

2。相关工作
图卷积网络：
在过去的几年里，许多工作集中在图问题的深度神经网络的推广上[3，9，16，25]。defferrard等人[8]针对图分类问题提出了快速学习卷积滤波器。利用这些滤波器，它们显著地加速了谱分解过程，这是传统的大数据集图形卷积问题的主要计算瓶颈之一。kipf和welling[22]在半监督分类中引入了基于谱图卷积的一阶近似的可伸缩gcn，其中卷积滤波器仅使用来自相邻顶点的信息，而不使用来自整个网络的信息。
由于上述gcn最初是为分类问题而设计的，因此图的连通性被假定为先验知识。但是，此设置不适合动态模型生成问题。例如，在三维点云生成的无监督设置中，三维点云的类型是不确定的。即使对于同一类（例如椅子），三维点云也可以用各种类型表示。为了表示不同类型的三维点云，我们的treegcn没有利用有关对象模型的先验知识。
用于三维点云生成的gans:
2d图像生成任务的gans[13]已经得到了广泛的研究，并取得了很大的成功[10、18、23、26、31、36、41、42、48、49]，但是用于三维点云生成的gans在计算机视觉领域的研究却很少。最近，Achlioptas等人。[1]提出了一种基于全连通层的三维点云生成方法R-GaN。由于全连接层不能保持结构信息，R-GaN很难产生具有多样性的真实形状。Valessia等人[39]用于gans生成器的图卷积。在训练过程中的