论文题目：《PointFlow: 3D Point Cloud Generation with Continuous Normalizing Flows》
看了这篇论文，对论文进行了一些总结，希望对大家有帮助~
这篇论文是ICCV会议上的一篇论文，发表时间是2019年
Idea： 对应于物体的点云被认为是物体表面的分布中的样本，而物体本身被认为是物体形状分布中的样本。提出PointFlow用于三维点云的原则性生成模型。学习分布的分布，前者是形状的分布，后者是给定形状的点的分布。
方法： 不直接对形状中点的分布进行参数化，而是将这种分布建模视为来自先验分布（例如：三维高斯）的三维点的可逆参数化转换。在这个模型中，为给定形状生成点需要从标准高斯先验中采样点，然后根据这个参数化变换将它们移动到目标形状中的新位置。
创新点： 提出连续归一化流(Continuous Normalizing Flow，CNF)。完整的生成模型由两级连续归一化流组成，一个是对潜变量的分布建模来对形状分布进行建模，另一个是对给定形状的点分布建模。除此之外，引入了一个推理网络，从点云中推断出潜变量分布。可以端到端进行训练。
优势： 变换的可逆性使得可以不只是抽样，而且能估计概率分布密度，从而能用变分推断的框架来训练模型。使用这个概率框架训练模型，可以避免训练GAN的困难，也避免了设计点集之间距离度量的困难。
输入： 通过CNF采样的点x
输出： 点云
日常学习记录，一起交流讨论吧！侵权联系~