文章目录
清理一些之前的草稿箱,写了一半忘记写完发布,望大家见谅。不过鉴于已经有好几个人翻译了全文,不懂的可以参考去看看,这篇文章真的算作点云生成模型的鼻祖了。妥妥的斯坦福出品,验证试验是真的多。基本在告诉我们高斯混合模型的好用。
1. 概要:
2018CVPR 会议论文,也算是先驱作品了。
论文:http://proceedings.mlr.press/v80/achlioptas18a/achlioptas18a.pdf
补充材料:http://proceedings.mlr.press/v80/achlioptas18a/achlioptas18a-supp.pdf
代码:https://github.com/optas/latent_3d_points
本文要点:
-
研究点云的表示方法,主要使用deep AutoEncoder。
-
对比了不同的生成模型,l-GAN要好多GMMs:
模型包括:
1)GANs:直接作用于原始点云;
2)l-GANs(latent-GANs):直接作用在潜在空间的点云特征,用AE先提取潜在空间点云特征;
3)GMMs:高斯混合模型评估方法:
1)样本保真度;
2)覆盖率度量;
2. 贡献点:
- 一种新的点云AE框架;
- 第一套点云深度生成模型;
- 新的衡量指标,基于两个不同的点云集合之间的最佳匹配;
3. 衡量方式:
3.1 度量
1) EMD:测地距离
限制:两个点集数量需要一致,是两个集合之间的运输问题,一一对应。
优点:几乎处处可微
2) CD:近邻度量
优点:度量一个集合与另一个集合最近邻的平方,不限制两个集合数量相同。且计算较EMD更高效。
3.2 生成模型度量方式
1) JSD:
欧几里得三维空间边界分布的简森-香农散度(Jensen-Shannon Divergence )
用来衡量两个分布的相似度
2) Converage:
覆盖率的计算:用B与A的匹配比例来衡量。本质也是计算距离得到。所以计算是否相似仍然需要用到基础度量CD或EMD。
点级别的距离计算公式; EMD几乎处处可微,但CD可微且计算更为高效;
-
Earth Mover’s distance(EMD)
-
Chamfer(pseudo)distance(CD)
3) 最小匹配距离(Minimum Matching Distance,MMD)
MMD可以通过测量A对B的保真度,弥补 覆盖率的缺点(不能准确指示几何A中覆盖的有多好)
比较
MMD与Coverage互补。在MMD小Cov大的情况下,点云A集合以良好的保真度捕获了B的所有模式。
JSD是计算分布相似性的,因此其是粗略的评估两个集合之间的相似性。JSD与MMD有很好的相关性,可以作为一个有效的替代方式。
4. 表示与生成模型
基本块:
AEs:重新编码输入的架构。可以用压缩后的特征 z z z来表达原始点云。可用于重建任务。
GANs:基础架构:生成器G和判别器D。
G:生成与真实数据无法区分的样本,通过将一个简单分布中 随机抽取的样本传递给生成器函数。
D:把合成的样本与实际样本区分开;
GMM:一种概率模型,用于表示一个假设分布为多模态高斯分布的种群,即由多个子种群组成,其中每个子种群都服从高斯分布。假设已知子种群数量,利用期望最大化(EM)算法可以从随机样本中学习GMM参数(其实也就是高斯分布的均值和方差)。
4.1 原始GAN模型(r-GAN):
训练数据集:20483点云
判别器:结构与AE相同,没有用任何Batch-Norm,使用Leaky ReLU,最后一个全连接层输出送入到sigmoid激活函数。
生成器:高斯噪声为输入,5个FC-ReLu层映射到20483输出
4.2 隐空间GAN(l-GAN):
先训练好