开源 | CVPR2020 深度神经网络PQ-NET，通过顺序部件装配方式表达和生成三维物体

论文地址：http://arxiv.org/pdf/1911.10949v2.pdf 代码：https://github.com/chriswu1997/pq-net 来源： 北京大学前沿计算研究中心 论文名称：PQ-NET: A Generative Part Seq2Seq Network for 3D Shapes 原文作者：Rundi Wu

本文提出了 PQ-NET深度神经网络，通过序列化部件的顺序装配来表示和生成三维形状。PQ-NET的核心是一个 Seq2Seq 自编码器，通过编码器实现顺序部件组装和三维物体表征的，即将序列的部分特征编码成一个固定大小的潜在向量。然后基于递归神经网络（RNN）将输入序列编码到一个固定大小的隐空间，随后解码出来重建输入序列，组装成完整的三维物体。Seq2Seq 编码器形成的隐空间不仅能编码零件结构，而且能编码零件的精细几何形状。模型学习到的隐空间，可用于进行随机生成、单视角重建、形状补全等多项应用。

缺点：(1) PQ-NET不能学习零件的对称性等关系，只输出形状部分的空间排列。(2) PQ-NET不产生拓扑变化的插值，特别是在具有不同数量部件的形状之间。(3)输出结果对零件顺序依赖较大。

下面是论文具体框架结构以及实验结果：

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请联系删除。