一个可扩展的3D对象生成和重建的变量自编码级联生成对抗网络

科学领域:

• 计算机视觉和机器学习
• 3D图形和建模 3D图形和建模
• 人工智能的人工智能

背景情况:

• 生成对抗网络 (GAN) 越来越多地用于3D体积生成和重建任务.
• 现有的方法面临挑战,包括有限的数据,高计算需求和模式崩.
• 需要改进的方法来生成和重建复杂的基于voxel的3D形状.

研究的目的:

• 提出一种混合生成对抗网络 (GAN) 和变异自编码器 (VAE) 模型.
• 为3D形状生成和重建引入稳定和可扩展的渐进式增长方法.
• 提高生成的3D模型的质量,融合速度和细节表示.

主要方法:

• 组合变量自编码器 (VAE) 和生成对抗网络 (GAN) 架构.
• 实施了级联结构网络,增加了增量层 (渐进增长).
• 在每个生长阶段监督区分器,在每个生长阶段使用基本真相标签,以建模更广泛的语音空间.

主要成果:

• 实现了增强的融合速度和生成的3D模型的质量提高.
• 证明了稳定的增长,促进了复杂的声音级细节的准确表示.
• 与现有方法相比,比较实验显示出优越的声音质量,变化和多样性.

结论:

• 拟议的VAE-GAN混合体具有渐进式增长,可以有效地生成和重建复杂的3D形状.
• 该方法在3D评估指标和视觉质量方面提供了更高的准确性.
• 生成的模型对于虚拟现实,元宇宙和游戏中的应用非常有价值.