확률적 잠재 공간을 통한 객체 형태 학습: 3D 생성적 대립 모델링을 이용하여

우리는 3차원 객체 생성 문제를 연구합니다. 최근 볼륨 컨볼루셔널 네트워크와 생성적 적대 신경망의 발전을 활용하여, 3차원 객체를 확률 공간에서 생성하는 새로운 프레임워크인 3D 생성적 적대 신경망(3D-GAN)을 제안합니다. 우리의 모델은 다음과 같은 세 가지 장점을 가지고 있습니다: 첫째, 전통적인 휴리스틱 기준 대신 적대 기준을 사용함으로써 생성자가 객체 구조를 암시적으로 포착하고 고품질의 3차원 객체를 합성할 수 있게 합니다; 둘째, 생성자는 저차원 확률 공간에서 3차원 객체 공간으로의 매핑을 설립하므로, 참조 이미지나 CAD 모델 없이도 객체 샘플링이 가능하며, 3차원 객체 다양체를 탐색할 수 있습니다; 셋째, 적대 판별기는 감독 없이 학습된 강력한 3D 형태 설명자로, 3차원 객체 인식에 광범위하게 적용될 수 있습니다. 실험 결과는 우리의 방법이 고품질의 3차원 객체를 생성하며, 감독 없이 학습된 특징들이 지도 학습 방법과 비교해도 인상적인 성능을 보이는 것을 입증하였습니다.