GRASS: Generative Recursive Autoencoders for Shape Structures

http://kevinkaixu.net/projects/grass.html

Keyword: analysis and synthesis of shape structures, symmetry hierarchy, recursive neural network, autoencoder, generative recursive autoencoder, generative adversarial training

Abstract

问题描述

• 学习如何用一组基础模型组合表达复杂的模型，组合方式包括相邻、平移对称、旋转对称和镜像等。

主要贡献

• 提出用于3D模型表示的结构敏感的网络模型GRASS

• 扩展传统的RvNN网络，使其能编码不同的结合操作

• 这种RvNN网络能无监督学习和编码不同层级的盒模型到一个固定长度的向量表示

Main Effect/Pipeline

不同的模型组合

算法流程

Discussion

优点

• 无监督，模型结构化

缺点

• 论文具体实现不是太明白，总结不出什么优缺点...

• 作者自己也不明白为什么不同深度的树都能够使用固定长度的向量表示，且对RvNN网络具体实现的一些细节存有疑问

• 使用盒模型结构化的方法可能不适用于所有三维模型

Results