【点云系列】Learning Representations and Generative Models for 3D pointclouds

最新推荐文章于 2023-02-20 10:04:40 发布

^_^ 晅菲

最新推荐文章于 2023-02-20 10:04:40 发布

阅读量2.2k

点赞数 2

分类专栏：点云类文章标签： 3d 深度学习机器学习

本文链接：https://blog.csdn.net/weixin_43882112/article/details/107509636

版权

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
在这里插入图片描述

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。
在这里插入图片描述

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
在这里插入图片描述

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 $z$ 来表达原始点云。可用于重建任务。
在这里插入图片描述
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）。