| 1 |
1
사전 분포 자체를 입력하는 사전 분포 입력부;사전 분포 자체를 입력으로 사용하여 3D 객체에 대한 표면 분포를 출력하는 표면 분포 출력부;딥러닝 네트워크에서 표면 분포는 잡음이 있는 매개 변수를 사용하는 적응형 인스턴스 정규화를 수행하는 적응형 인스턴스 정규화부;추정된 표면 분포에서 포인트를 샘플링하여 3D 포인트 클라우드를 생성하는 3D 포인트 클라우드 생성부;생성된 포인트 클라우드를 적대적인 방식으로 실제 포인트 클라우드와 비교하고, 점진적 샘플링 방법을 사용하여 네트워크를 훈련시키는 포인트 클라우드 비교 및 점진적 샘플링부;를 포함하는 것을 특징으로 하는 와서스테인 분포를 이용하는 고해상도 3D 포인트 클라우드를 생성을 위한 장치
|
| 2 |
2
제 1 항에 있어서, 포인트 클라우드를 고정된 형태로 만들지 않고 3D 포인트의 표면 분포로부터 임의의 수의 3D 포인트를 샘플링하여 다양한 개수의 포인트를 가지는 3D 포인트 클라우드를 생성하는 것을 특징으로 하는 와서스테인 분포를 이용하는 고해상도 3D 포인트 클라우드를 생성을 위한 장치
|
| 3 |
3
제 1 항에 있어서, 동일 객체의 경우에서도 3D 포인트에 대해 동일한 좌표를 생성하지 않고, 다양한 위치의 3D 좌표를 생성하여 다양한 형태의 3D 포인트 클라우드를 생성하는 것을 특징으로 하는 와서스테인 분포를 이용하는 고해상도 3D 포인트 클라우드를 생성을 위한 장치
|
| 4 |
4
제 1 항에 있어서, 딥러닝 네트워크는,생성자(generator)와 분류자(discriminator)로 구성된 생성적 적대망(generative adversarial network)을 이용하여 3D 정보와 유사하게 포인트 클라우드를 생성하는 것을 특징으로 하는 와서스테인 분포를 이용하는 고해상도 3D 포인트 클라우드를 생성을 위한 장치
|
| 5 |
5
제 1 항에 있어서, 적응형 인스턴스 정규화부는,확률적 인스턴스 정규화를 사용하여 암시적 분포(implicit distribution)를 다른 분포로 전달하여 3D 객체의 다양한 모양을 유도하는 것을 특징으로 하는 와서스테인 분포를 이용하는 고해상도 3D 포인트 클라우드를 생성을 위한 장치
|
| 6 |
6
제 5 항에 있어서, 확률적 인스턴스 정규화 과정은,확률 분포의 정규화 과정(standardization)을 거치고,다양한 스타일을 갖도록 하는 알파와 베터의 3개의 파라미터를 학습하여 정규화된 확률 분포에 역정규화(reverse-standardization)를 적용하는 것을 특징으로 하는 와서스테인 분포를 이용하는 고해상도 3D 포인트 클라우드를 생성을 위한 장치
|
| 7 |
7
제 1 항에 있어서, 포인트 클라우드 비교 및 점진적 샘플링부는,점진적 샘플링(progressive learning)을 사용하여 생성 모델을 훈련함으로써 빠른 수렴 속도로 네트워크를 훈련시키고 균일한 분포를 얻을 수 있도록 하여 딥러닝 네트워크가 이상값을 생성하는 것을 방지하는 것을 특징으로 하는 와서스테인 분포를 이용하는 고해상도 3D 포인트 클라우드를 생성을 위한 장치
|
| 8 |
8
사전 분포 자체를 입력으로 사용하여 3D 객체에 대한 표면 분포를 출력하는 단계;딥러닝 네트워크에서 표면 분포는 잡음이 있는 매개 변수를 사용하는 적응형 인스턴스 정규화를 수행하는 단계;추정된 표면 분포에서 포인트를 샘플링하여 3D 포인트 클라우드를 생성하는 단계;생성된 포인트 클라우드를 적대적인 방식으로 실제 포인트 클라우드와 비교하고, 점진적 샘플링 방법을 사용하여 딥러닝 네트워크를 훈련하는 단계;를 포함하는 것을 특징으로 하는 와서스테인 분포를 이용하는 고해상도 3D 포인트 클라우드를 생성을 위한 방법
|
| 9 |
9
제 8 항에 있어서, 사전 분포(prior distribution)로부터 여러 개의 입력 벡터들을 생성하여 와서스테인 분포(Wasserstein distribution)로 표현하고 여러 3D 포인트들의 집합을 생성하는 것을 특징으로 하는 와서스테인 분포를 이용하는 고해상도 3D 포인트 클라우드를 생성을 위한 방법
|
| 10 |
10
제 8 항에 있어서, 입력되는 사전 분포로 구 분포(spherical distribution)를 사용하는 것을 특징으로 하는 와서스테인 분포를 이용하는 고해상도 3D 포인트 클라우드를 생성을 위한 방법
|
| 11 |
11
제 8 항에 있어서, 3D 포인트 클라우드를 생성하는 단계에서,포인트 클라우드를 고정된 형태로 만들지 않고 3D 포인트의 표면 분포로부터 임의의 수의 3D 포인트를 샘플링함으로써 다양한 개수의 포인트를 가지는 3D 포인트 클라우드를 생성하는 것을 특징으로 하는 와서스테인 분포를 이용하는 고해상도 3D 포인트 클라우드를 생성을 위한 방법
|
| 12 |
12
제 8 항에 있어서, 동일 객체의 경우에서도 3D 포인트에 대해 동일한 좌표를 생성하지 않고, 다양한 위치의 3D 좌표를 생성하여 다양한 형태의 3D 포인트 클라우드를 생성하는 것을 특징으로 하는 와서스테인 분포를 이용하는 고해상도 3D 포인트 클라우드를 생성을 위한 방법
|
| 13 |
13
제 8 항에 있어서, 딥러닝 네트워크는,생성자(generator)와 분류자(discriminator)로 구성된 생성적 적대망(generative adversarial network)을 이용하여 3D 정보와 유사하게 포인트 클라우드를 생성하는 것을 특징으로 하는 와서스테인 분포를 이용하는 고해상도 3D 포인트 클라우드를 생성을 위한 방법
|
| 14 |
14
제 8 항에 있어서, 적응형 인스턴스 정규화를 수행하는 단계에서,확률적 인스턴스 정규화를 사용하여 암시적 분포(implicit distribution)를 다른 분포로 전달하여 3D 객체의 다양한 모양을 유도하는 것을 특징으로 하는 와서스테인 분포를 이용하는 고해상도 3D 포인트 클라우드를 생성을 위한 방법
|
| 15 |
15
제 14 항에 있어서, 확률적 인스턴스 정규화 과정은,확률 분포의 정규화 과정(standardization)을 거치고,다양한 스타일을 갖도록 하는 알파와 베터의 3개의 파라미터를 학습하여 정규화된 확률 분포에 역정규화(reverse-standardization)를 적용하는 것을 특징으로 하는 와서스테인 분포를 이용하는 고해상도 3D 포인트 클라우드를 생성을 위한 방법
|
