Apprentissage d'un espace latent probabiliste de formes d'objets via la modélisation générative-antagoniste 3D

Nous étudions le problème de la génération d'objets 3D. Nous proposons un nouveau cadre, nommé Réseau Générateur Adversarial 3D (3D-GAN), qui génère des objets 3D à partir d'un espace probabiliste en exploitant les récentes avancées dans les réseaux convolutionnels volumétriques et les réseaux générateurs adversariaux. Les avantages de notre modèle sont triples : premièrement, l'utilisation d'un critère adversarial, au lieu des critères heuristiques traditionnels, permet au générateur de capturer la structure des objets implicitement et de synthétiser des objets 3D de haute qualité ; deuxièmement, le générateur établit une correspondance entre un espace probabiliste de faible dimension et l'espace des objets 3D, ce qui nous permet de générer des objets sans image de référence ou modèles CAD, et d'explorer la variété des objets 3D ; troisièmement, le discriminateur adversarial fournit un puissant descripteur de forme 3D qui, appris sans supervision, a de nombreuses applications en reconnaissance d'objets 3D. Les expériences montrent que notre méthode génère des objets 3D de haute qualité, et que nos caractéristiques apprises sans supervision obtiennent des performances impressionnantes en reconnaissance d'objets 3D, comparables à celles des méthodes d'apprentissage supervisé.