DeepMind最新的GQN有点意思

Generative Query Network, 对3D物体，通过让model predict在不同视角下的图像来
对抗训练，包含一个representation network和一个 generation network。DM声称可
以训练出一个可以高效表征三维物体为止关系的表象，然后再此之上，甚至可以
predict猜测没有看到的角度的情形。

science 论文：http://science.sciencemag.org/content/360/6394/1204.fullhttps://d2ufo47lrtsv5s.cloudfront.net/content/sci/360/6394/1204/F1.large.jpg?width=800&height=600&carousel=1

来跟我们讲解一下？code 没公开吧？

为什么deep mind这么喜欢发nature, science？把这个方法用在真实场景的数据应该不难吧？没用真实场景是因为根本没去做这个实验，还是做了不work所以不发出来？

有评论说这个只是overfitting，没有真正的创新

投conference不一定中

【 在 fantasyfrog (fantasyfrog) 的大作中提到: 】
: 为什么deep mind这么喜欢发nature, science？把这个方法用在真实场景的数据应该不
: 难吧？没用真实场景是因为根本没去做这个实验，还是做了不work所以不发出来？

他们的解释是真实环境没有很好的数据集，确实这种任意多角度的数据还真不好找，当然DM可以自己做，但是成本肯定更高。第一步在虚拟3D环境里面做没啥问题。

【 在 fantasyfrog (fantasyfrog) 的大作中提到: 】
: 为什么deep mind这么喜欢发nature, science？把这个方法用在真实场景的数据应该不
: 难吧？没用真实场景是因为根本没去做这个实验，还是做了不work所以不发出来？