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.