基于对抗学习的单深度视图 3D 物体重建
计算机视觉与模式识别
2017-08-29 v1 人工智能
机器学习
机器人学
摘要
在本文中，我们提出了一种新颖的 3D-RecGAN 方法，该方法利用生成对抗网络从单个任意深度视图重建给定物体的完整 3D 结构。与现有工作通常需要同一物体的多个视图或类别标签来恢复完整的 3D 几何形状不同，所提出的 3D-RecGAN 仅将物体深度视图的体素网格表示作为输入，并能够通过填充遮挡/缺失区域生成完整的 3D 占用网格。其核心思想是将自编码器的生成能力与条件生成对抗网络（GAN）框架相结合，以在高维体素空间中推断出准确且细粒度的物体 3D 结构。在大型合成数据集上的大量实验表明，所提出的 3D-RecGAN 在单视图 3D 物体重建方面显著优于 SOTA，并且能够重建未见过的物体类型。我们的代码和数据可在以下网址获取：https://github.com/Yang7879/3D-RecGAN。
引用
@article{arxiv.1708.07969,
title = {3D Object Reconstruction from a Single Depth View with Adversarial Learning},
author = {Bo Yang and Hongkai Wen and Sen Wang and Ronald Clark and Andrew Markham and Niki Trigoni},
journal= {arXiv preprint arXiv:1708.07969},
year = {2017}
}
备注
ICCV Workshops 2017