3D 生成対抗モデルを用いた物体形状の確率潜在空間の学習

私たちは3次元物体生成の問題を研究しています。本稿では、新しいフレームワークである3次元ジェネレーティブ・アドバーザリアル・ネットワーク（3D-GAN）を提案します。このフレームワークは、最近のボリューム型畳み込みネットワークとジェネレーティブ・アドバーザリアル・ネットワークの進歩を活用して、確率空間から3次元物体を生成します。私たちのモデルの利点は三つあります。第一に、従来のヒューリスティックな基準ではなく、敵対的基準を使用することで、ジェネレーターが物体構造を暗黙的に捉え、高品質な3次元物体を合成することが可能になります。第二に、低次元確率空間から3次元物体空間へのマッピングが確立されるため、参照画像やCADモデルなしで物体をサンプリングし、3次元物体多様体を探求することができます。第三に、敵対的識別器は強力な3次元形状記述子を提供し、教師なし学習によって学ばれたこの特徴量は3次元物体認識において広範な応用が見込まれます。実験結果は、当手法が高品質な3次元物体を生成できることを示しており、教師なし学習で得られた特徴量が監督学習手法と同等の性能で3次元物体認識において優れた成果を上げていることを確認しています。