未见类别上的三维形状补全：一种弱监督方法

由于遮挡，扫描设备捕获的三维形状通常是不完整的。三维形状补全方法已被探索以解决这一局限性。然而，这些方法大多仅在一部分类别上进行训练和测试，导致对未见类别的泛化能力较差。在本文中，我们引入一种新颖的弱监督框架，以从未见类别中重建完整形状。我们首先提出一个端到端的先验辅助形状学习网络，利用来自已见类别的数据来推断粗略形状。具体而言，我们构建了一个由已见类别的代表性形状组成的先验库。然后，我们设计了一个多尺度模式关联模块，通过分析输入内部局部模式与不同尺度下先验之间的关联性，来学习输入的完整形状。此外，我们提出了一种自监督形状精修模型，以进一步细化粗略形状。考虑到三维物体在不同类别间的形状变异性，我们构建了一个特定类别的先验库以促进形状精修。然后，我们设计了一种基于体素的部分匹配损失，并利用部分扫描来驱动精修过程。大量实验结果表明，我们的方法大幅优于现有最先进方法。