3D-PRNN：利用循环神经网络生成形状基元

机器人技术、数字内容创建和可视化等多种应用的成功，要求从有限的传感器数据中获取结构化和抽象的三维世界表示。受人类将三维形状感知为简单部件集合这一特性的启发，我们探索了这种基于基元的抽象形状表示。给定物体的单张深度图像，我们提出了3D-PRNN，这是一种生成式循环神经网络，能够合成由一组基元构成的多种合理形状。我们的生成模型编码了常见人造物体的对称特性，保持了长程结构连贯性，并以紧凑的表示描述了不同复杂度的物体。我们还提出了一种基于高斯场的方法，用于生成大规模基元形状表示数据集以训练我们的网络。我们在广泛的示例上评估了我们的方法，结果表明它优于基于最近邻的形状检索方法，并且在使用显著减少的参数空间的情况下，与基于体素的生成模型性能相当。