2. 论文介绍

Abstract

• 3D 几何数据为研究表示学习和生成建模提供了一个极好的领域
• 在本文中，我们研究表示为点云的几何数据
• 我们引入了具有最先进的重建质量和泛化能力的深度自动编码器 (AE) 网络（deep AutoEncoder (AE) network）。
• 学习到的表示在 3D 识别任务上优于现有方法，并通过简单的代数操作实现形状编辑，例如语义部分编辑、形状类比和形状插值，以及形状补全
• 我们对不同的生成模型进行了深入研究，包括在原始点云上运行的 GAN、在我们的 AE 的固定潜在空间中训练的显着改进的 GAN，以及高斯混合模型 (GMM)。
• 为了定量评估生成模型，我们引入了基于点云集之间匹配的样本保真度和多样性测量。
• 有趣的是，我们对泛化、保真度和多样性的评估表明，在我们的 AE 的潜在空间中训练的 GMM 总体上产生了最好的结果。

1.Introduction

• 深度学习带来了数据驱动方法的希望。在数据丰富的领域，深度学习工具已经消除了手工制作特性和模型的需要。自动编码器(AEs)等架构 (Rumelhart et al., 1988; Kingma&Welling, 2013)和生成式对抗网络(GANs) (Goodfellow et al., 2014; Radford et al.; Che et al., 2016)在学习数据表示和从复杂的底层分布生成真实样本方面取得了成功。然而，基于GAN的生成 pipelines 的一个问题是，训练它们是出了名的困难和不稳定 (Salimans et al., 2016)。此外，也许更重要的是，对于生成模型的评估没有被普遍接受的方法
• 在本文中，我们探索了使用深度架构来学习表示，并介绍了第一个用于点云的深度生成模型。
• 

2.Background

3.生成模型的评估度量

4.表示和生成模型

5.实验评价

3. 参考资料

论文翻译：Learning Representations and Generative Models for 3D Point Clouds[0]

【r-GAN】论文翻译 – Learning Representations and Generative Models for 3D Point Clouds[0]

【点云系列】Learning Representations and Generative Models for 3D pointclouds[0]