latent3d point[P Achlioptasら，ICML2018]を実験した
概要
Learning Representations and Generative Models For 3D Point Cloudsという３次元点群に対する表現学習手法がICML2018で提案された． 提案手法は，AutoEncoderによる復元に関すること，GANを利用した表現学習である． 本ブログでは，CADデータによる提案手法の再現実験を行なった．
実験データ
CADの３次元データである， ShapeNetCoreを用いた． ブログ内では，椅子のクラスの振られたデータのみを用いる．
GANによる表現学習
結果を見ると，学習が初期の段階では，ノイズのままである．
学習が進むと，徐々に椅子の形が現れる．
latgent GANによる表現学習
手順
GANの学習をする際に，直接３次元データの確率密度関数を近似するのではなく，データの持ちうる潜在空間の確率密度関数を近似するようにする． そのために，一旦，AutoEncderを用いて，潜在空間へのEncodeと，潜在空間からのDecodeを行う学習を行う．そして，潜在空間に対して，GANの学習を行う．
Auto Enccoderによる潜在空間の獲得とDecoderの学習
Decoderによって復元された椅子のデータを見ると，復元されていることが確認できる．
この学習されてEncoderによる潜在空間への写像，およびDecoderによるデータの復元を行う．
latent GANの学習
結果を見ると，初期の段階で，椅子の形状が現れていることが確認できる．
感想
Pointnet等の教師あり学習は広く研究されているが，点群に対する表現学習はあまり見たことがないので，今後の動向を見守りたい． 意外と単純なデータでも実験してみたら面白い．
