Das Lernen eines wahrscheinlichen latenten Raums von Objektformen durch 3D-Generative-Adversarial-Modellierung

Wir untersuchen das Problem der 3D-Objektgenerierung. Wir schlagen ein neues Framework vor, nämlich das 3D Generative Adversarial Network (3D-GAN), welches 3D-Objekte aus einem wahrscheinlichkeitstheoretischen Raum generiert, indem es jüngste Fortschritte in volumetrischen Faltungsnetzen und generativen adversären Netzen nutzt. Die Vorteile unseres Modells sind dreifach: Erstens ermöglicht die Verwendung eines adversären Kriteriums im Gegensatz zu traditionellen heuristischen Kriterien, dass der Generator die Objektstruktur implizit erfassen und hochwertige 3D-Objekte synthetisieren kann; Zweitens legt der Generator eine Abbildung von einem niedrigdimensionalen wahrscheinlichkeitstheoretischen Raum in den Raum der 3D-Objekte fest, sodass wir Objekte ohne Referenzbild oder CAD-Modelle sampeln und die 3D-Objektmanigfaltigkeit erforschen können; Drittens bietet der adversäre Diskriminator eine leistungsfähige 3D-Formbeschreibung, die ohne Aufsicht gelernt wird und vielfältige Anwendungen in der 3D-Objekterkennung hat. Experimente zeigen, dass unsere Methode hochwertige 3D-Objekte generiert und dass unsere unsupervisiell gelernten Merkmale beeindruckende Ergebnisse bei der 3D-Objekterkennung erzielen, vergleichbar mit denen supervisierter Lernmethoden.