清库存系列，之前一直想写一下，可还没有非常仔细去阅读，就先列表在这里。后面有时间了再细解每一篇论文吧。

隐表达

隐表达到底在做一件什么事情？
列个表看一下3D表达形式哈：

所以如图很清楚的解释了隐表达，是把3D形状转换成了决策面来学习。
简单来说呢，就是，我认为3D表面，也就是上面图里兔子表面为0，里面或外面是-1或1，那么我只需要学习这个超平面，也就是这个3D表面即可。问题一下子就简单了好多。因为最终只需要预测空间中的这个点是0、-1、还是1。
画个图如下，意思就是隐表达学习的就是黑线y函数的这个部分，也就是3D空间的那个面。红色方框和绿色圈就是-1和 1的情况，不属于表面。

相关论文

1. NIPS2016：Learning a Probabilistic Latent Space of Object Shapes via 3D Generative-Adversarial Modeling

概要

• 提出了3D-GAN，从概率隐空间空间生成三维对象；即：
  

• 探索了隐空间表达，其实只是探索了隐空间特征组合情况
  其中整体架构如下所示：
  
  

• 单个图的3D重构，如下图

详细内容

• 论文：http://3dgan.csail.mit.edu/papers/3dgan_nips.pdf
• 项目主页：http://3dgan.csail.mit.edu/
• 代码：https://github.com/zck119/3dgan-release
• 翻译参考：https://blog.csdn.net/qq_39426225/article/details/101684526

2. ICML2018：Learning Representations and Generative Models for 3D Point Clouds

概要

1. 对3个生成模型进行深入研究

•  在原始点云上运行的GANs
  

•  在AEs的固定潜空间中训练的GANs
  

•  高斯混合模型，该模型总体效果最好
  

2. 提出了配到metrics：chamfer，coverage metric。

详细内容

• 论文：https://openreview.net/forum?id=r14RP5AUz
• 代码:https://github.com/optas/latent_3d_points
• 参考阅读：https://blog.csdn.net/e2297192638/article/details/89299545

3. CVPR2019：Learning Implicit Fields for Generative Shape Modeling

概要

使用implicit field作为解码器来做形状生成，也是通过构建表面来生成形状。这个隐表达的好处，其实就是在面上的为0，里面或外面为-1或1，这样其实就是一个超平面拟合的问题。编码器的话可以是通用CNN或PointNet。

详细内容

• 论文：https://arxiv.org/abs/1812.02822
• 项目主页：https://www.sfu.ca/~zhiqinc/imgan/Readme.html
• 代码：https://github.com/czq142857/IM-NET-pytorch

4. CVPR2020：Points2Surf: Learning Implicit Surfaces from Point Cloud Patches

概要

简单可以看加了一些限制的隐表达曲面的生成过程，这里的SDF本质上还是在说隐表达的含义：就是曲面上是0，里面或外面>0或<0。

详细内容

• 论文：https://arxiv.org/abs/2007.10453、https://publik.tuwien.ac.at/files/publik_291233.pdf
• 代码：https://github.com/ErlerPhilipp/points2surf

5. CVPR2020：Neural Implicit Embedding for Point Cloud Analysis

概要

这篇文章本质上呢是通过构建局部神经网络（ELM）来增强形状的表达。既然学习到了这个形状，那么后续很多任务都可以用到。文章中提到了分类分割，所以题目也叫做点云分析。

详细内容

• 论文:
  https://openaccess.thecvf.com/content_CVPR_2020/papers/Fujiwara_Neural_Implicit_Embedding_for_Point_Cloud_Analysis_CVPR_2020_paper.pdf

• 代码:
  https://github.com/kentfuji/NeuralEmbedding