Генеративные модели для 3D данных, заданных 3D облаками точек

Данная работа посвящена теме генерации трехмерных облаков точек. Для достижения поставленной цели в настоящей работе реализуется архитектура генеративно-состязательной нейронной сети, состоящей из нескольких уровней. Данная работа основана на концепции, изложенной в статье «Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks», авторы которой предлагают структуру многоуровневой генеративно-состязательной нейронной сети для получения более качественного изображения в высоких разрешениях, и статье «Representation Learning and Adversarial Generation of 3D Point Clouds», демонстрирующей эфективность генерации облака точек с помощью использования автоэнкодера и генерации латентного представления, по сравнению с прямой генерацией облака точек. Также, в данной работе с помощью метрик: Coverage, Minimum Matching Distance и Jensen-Shanonn Divergence был проведен сравнительный анализ полученных результатов с результатами, представленными в статье «Representation Learning and Adversarial Generation of 3D Point Clouds», и показано уменьшение вероятности неудачных генераций объектов по сравнению с ними.