3D-RelNet：用于 3D 预测的联合物体与关系网络
计算机视觉与模式识别
2020-03-06 v3
摘要
我们提出一种方法来预测场景中存在的物体的 3D 形状与姿态。现有追求该目标的学习方法对每个物体进行独立预测，并未利用它们之间的关系。我们认为对这些关系的推理至关重要，并提出了一种将这些关系纳入 3D 预测框架的方法。除逐物体的独立预测外，我们还以相对 3D 姿态的形式预测成对关系，并证明这些可轻易被纳入以改进物体级估计。我们在不同数据集（SUNCG、NYUv2）上报告了性能，表明我们的方法相比独立预测方法显著改进，同时也优于其他隐式推理方法。
引用
@article{arxiv.1906.02729,
title = {3D-RelNet: Joint Object and Relational Network for 3D Prediction},
author = {Nilesh Kulkarni and Ishan Misra and Shubham Tulsiani and Abhinav Gupta},
journal= {arXiv preprint arXiv:1906.02729},
year = {2020}
}
备注
Project page: https://nileshkulkarni.github.io/relative3d/