Die Studie präsentiert eine innovative Erweiterung des Sphere as Prior Generative Adversarial Network (SP-GAN) Modells zur Punktwolkengenerierung. Kernidee ist die Einbindung topologischer Priors in den Trainingsprozess des Generators, um die strukturelle Integrität und Gesamtqualität der generierten Punktwolken zu erhöhen.
Dazu wird der K-Means-Algorithmus verwendet, um eine Referenzpunktwolke in Cluster zu unterteilen und deren Zentroide zu extrahieren. Diese Zentroide werden dann als Priors in die Latenzmatrix des SP-GAN Generators eingebunden. Gleichzeitig wird die identische Referenzpunktwolke dem Diskriminator präsentiert, um eine kohärente und konsistente Lernumgebung zu schaffen.
Die Studie zeigt, dass dieser strategische Einsatz der Zentroide als intuitive Leitlinien nicht nur die Effizienz des globalen Featurelernens steigert, sondern auch die strukturelle Kohärenz und Treue der generierten Punktwolken deutlich verbessert. Durch Anwendung des K-Means-Algorithmus zur Generierung der Zentroiden als Prior wird intuitiv und experimentell demonstriert, dass ein solcher Prior die Qualität der generierten Punktwolken erhöht.
Ke Bahasa Lain
dari konten sumber
arxiv.org
Wawasan Utama Disaring Dari
by Baiyuan Chen pada arxiv.org 03-19-2024
https://arxiv.org/pdf/2403.10962.pdfPertanyaan yang Lebih Dalam