通过3D生成对抗模型学习物体形状的概率潜在空间

我们研究了三维物体生成的问题。为此，我们提出了一种新颖的框架，即三维生成对抗网络（3D-GAN），该框架通过利用近期在体素卷积网络和生成对抗网络方面的进展，从概率空间中生成三维物体。我们的模型具有三方面优势：首先，采用对抗准则而非传统的启发式准则，使得生成器能够隐式地捕捉物体结构并合成高质量的三维物体；其次，生成器建立了一个从低维概率空间到三维物体空间的映射，因此我们可以在没有参考图像或CAD模型的情况下采样物体，并探索三维物体流形；最后，对抗判别器提供了一个强大的三维形状描述符，该描述符无需监督即可学习，并在三维物体识别中具有广泛的应用。实验结果表明，我们的方法能够生成高质量的三维物体，并且无监督学习到的特征在三维物体识别任务中表现出色，性能可与有监督学习方法相媲美。