生成相关

# Diffusion Probabilistic Models for 3D Point Cloud Generation

* 把 Diffusion Probabilistic Models 做到了点云上。原来的加高斯噪音的操作变成了粒子的自由扩散操作。
* ![title](https://leanote.com/api/file/getImage?fileId=616aab87ab644142b44b2122)
* 效果上和其他模型似乎差不多
* ![title](https://leanote.com/api/file/getImage?fileId=616aabc3ab644142b44b2124)

# Convolutional Generation of Textured 3D Meshes

* 使用GAN 生成位移贴图（相当于球上每个顶点位移量， UV map 可以把球映射到平面）的方式来实现 3D mesh 生成。

![title](https://leanote.com/api/file/getImage?fileId=616ab7beab644142b44b213c)

# Training Generative Adversarial Networks with Limited Data

* 数据小了导致GAN训练不好的原因是判别器过拟合到训练数据。
* ![title](https://leanote.com/api/file/getImage?fileId=616ababbab644142b44b2145)
* 但数据增强扩充训练数据会导致数据增强部分也被生成器学到。
* 本文改进了之前的训练框架
* ![title](https://leanote.com/api/file/getImage?fileId=616ad471ab644142b44b2198)
* 提出了： Non leaking Aug —— 也就是施加这种增强后，整个分布依旧能推导出原分布（针对分布，单张图片不一定成立）。这也就意味着G只有生成真实分布，在增强后才不会被 D区分出来。
* 同时实验展示了，对于多数常见的增强方式，如果增强概率 $p<P_0$ 就不会出现 leak（就像正常样本很多，少数被增强了，即使增强了也知道原来的分布）。
* ![title](https://leanote.com/api/file/getImage?fileId=616ad4b6ab644142b44b219a)
* 然后设计了方法自适应地给每种增强方式学习 $P_0$(该值与训练数据数量，D的结构和大小，训练数据种类都有关)，在D过拟合时（validation set 里的真实图像开始被判断为生成图像，作者提出如下指标进行判断，并简化为第二个）
* ![title](https://leanote.com/api/file/getImage?fileId=616ad5abab644142b44b219e)
* 结果（动态调整的p和rt还有训练FID）
* ![title](https://leanote.com/api/file/getImage?fileId=616ad62dab644142c07b8af2)
* ![title](https://leanote.com/api/file/getImage?fileId=616ad636ab644142c07b8af3)

# Reconstructing Perceptive Images from Brain Activity by Shape-Semantic GAN

* 把 fMRI 得到的信息分为浅层和深层两部分，分别作为 shape 和 semantic 放入GAN中重建人看到的场景。
* ![title](https://leanote.com/api/file/getImage?fileId=616ce0ddab644142c07b9098)
* 实际效果对比
* ![title](https://leanote.com/api/file/getImage?fileId=616ce51eab644142c07b90b9)

wuvin

导航

最近发表

友情链接