s3o4d

Набор данных впервые описан в «Стэнфордский 3D объекты» раздел бумаги распутывания по подпространству диффузии . Данных состоит из 100000 визуализации каждого из объектов , кролик и Dragon из Стэнфордского 3D сканирования Repository . В будущем могут быть добавлены другие объекты, но в бумаге используются только Зайчик и Дракон. Каждый объект визуализируется с равномерно дискретизированным освещением из точки на 2-сфере и вращением в трехмерном пространстве с однородной дискретизацией. Истинные скрытые состояния представлены в виде массивов NumPy вместе с изображениями. Освещение задается как 3-вектор с единичной нормой, а вращение - как кватернион, так и ортогональная матрица 3x3.

Есть много сходства между S3O4D и существующей ML эталонных наборами данными , такими как Norb , 3D кафедры , 3D фигурой и многими другими, которые также включают в себя визуализацию множества объектов в различных позе и условиях освещения. Тем не менее, ни один из этих существующих наборов данных не включают полное многообразие вращений в 3D - большинство включает в себя только часть изменений высоты и азимут. Изображения S3O4D выбираются равномерно и независимо от всего пространства вращений и освещений, что означает, что набор данных содержит объекты, которые перевернуты и освещены сзади или снизу. Мы считаем, что это делает S3O4D однозначно подходящим для исследования генеративных моделей, в которых скрытое пространство имеет нетривиальную топологию, а также для общих методов обучения многообразию, где важна кривизна многообразия.

Расколоть Примеры
'bunny_test' 20 000
'bunny_train' 80 000
'dragon_test' 20 000
'dragon_train' 80 000
  • Особенности:
FeaturesDict({
    'illumination': Tensor(shape=(3,), dtype=tf.float32),
    'image': Image(shape=(256, 256, 3), dtype=tf.uint8),
    'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
    'pose_mat': Tensor(shape=(3, 3), dtype=tf.float32),
    'pose_quat': Tensor(shape=(4,), dtype=tf.float32),
})

Визуализация

  • Образец цитирования:
@article{pfau2020disentangling,
  title={Disentangling by Subspace Diffusion},
  author={Pfau, David and Higgins, Irina and Botev, Aleksandar and Racani\`ere,
  S{\'e}bastian},
  journal={Advances in Neural Information Processing Systems (NeurIPS)},
  year={2020}
}