PointFlow：基于连续归一化流的3D点云生成

随着三维点云成为多种视觉和图形应用的首选表示形式，合成或重建高分辨率、高保真度点云的能力变得至关重要。尽管深度学习模型在点云的判别任务中取得了近期的成功，但生成点云仍然具有挑战性。本文提出了一种基于概率原理的框架，通过将点云建模为分布的分布来生成三维点云。具体而言，我们学习了两个层次的分布：第一层次是形状的分布，第二层次是在给定形状下的点的分布。这种表述使我们既能采样形状，也能从一个形状中采样任意数量的点。我们的生成模型命名为PointFlow（点流），该模型使用连续归一化流来学习每个层次的分布。归一化流的可逆性使得在训练过程中可以计算似然值，并允许我们在变分推断框架下训练模型。实验结果表明，PointFlow在点云生成方面达到了最先进的性能。此外，我们还展示了该模型能够忠实地重建点云，并以无监督的方式学习有用的表示。代码将在https://github.com/stevenygd/PointFlow上提供。