基于超球面损失的 $360^o$ 表面回归
计算机视觉与模式识别
2019-09-17 v1
摘要
随着更高效的 图像采集成为可能，全向视觉正变得日益重要。然而，缺乏标注的 数据集阻碍了深度学习技术在球面内容上的应用。在真实值获取困难的任务（如单目表面估计）上，这一问题更加突出。虽然近期 2D 领域的研究通过利用 RGB-D 传感器从深度线索生成法线来克服这一挑战，但这很难应用于球面域。在本工作中，我们通过利用现有 3D 数据集并通过渲染重塑它们，来解决 真实值法线数据不足的问题。我们提出了一个包含室内空间 图像及其对应真实值表面法线的数据集，并在单目 360 表面估计任务上训练了一个深度卷积神经网络（CNN）。我们通过使用简单四元数代数最小化定义在超球面上的新型角度损失函数来实现这一点。我们努力与其他在平面数据集上训练的 SOTA 方法进行适当比较，最后通过定性展示我们的数据集和模型在完全未见过的数据上于球面图像重打光任务中的 promising 泛化能力，呈现了所训练模型的实际适用性。数据集可在以下地址获取：vcl3d.github.io/HyperSphereSurfaceRegression。
引用
@article{arxiv.1909.07043,
title = {$360^o$ Surface Regression with a Hyper-Sphere Loss},
author = {Antonis Karakottas and Nikolaos Zioulis and Stamatis Samaras and Dimitrios Ataloglou and Vasileios Gkitsas and Dimitrios Zarpalas and Petros Daras},
journal= {arXiv preprint arXiv:1909.07043},
year = {2019}
}
备注
Pre-print of the main paper and supplementary material combined that is going to be presented at 3DV2019