图片

论文链接：https://arxiv.org/pdf/2210.15663.pdf

生成模型作为统计建模的一个重要家族，其目标是通过生成新实例来学习观察到的数据分布。随着神经网络的兴起，深度生成模型，如变分自编码器(vais)和生成对抗网络(GANs)，在二维图像合成方面取得了巨大的进展。近年来，由于三维数据与我们的物理世界更接近，在实践中具有巨大的潜力，研究者们将研究的重点从二维空间转向了三维空间。然而，与2D图像不同的是，2D图像本质上拥有高效的表示(即像素网格)，表示3D数据可能面临更多的挑战。具体地说，我们希望理想的3D表示能够足够详细地建模形状和外观，并且能够高效地建模高分辨率数据，速度快，内存成本低。然而，现有的三维表示方法，如点云、网格和最近的神经场，通常不能同时满足上述要求。在本文中，我们从算法和更重要的表示两方面对3D生成的发展进行了全面的回顾，包括3D形状生成和3D感知图像合成。我们希望我们的讨论可以帮助社区跟踪这一领域的发展，并进一步激发一些创新的想法来推进这一具有挑战性的任务。

内容中包含的图片若涉及版权问题，请及时与我们联系删除