基于解耦属性流的从 2D 图像重建 3D 形状
计算机视觉与模式识别
2022-03-30 v1
摘要
从单张 2D 图像重建 3D 形状是一项具有挑战性的任务，需要基于 2D 图像的语义属性估计详细的 3D 结构。迄今为止，大多数已有方法仍难以提取用于 3D 重建任务的语义属性。由于单张图像的语义属性通常是隐式的且彼此纠缠，利用输入图像所表示的详细语义结构重建 3D 形状仍然具有挑战性。为解决这个问题，我们提出 3DAttriFlow，通过输入图像中不同的语义层级来解耦并提取语义属性。这些解耦的语义属性将被整合进 3D 形状重建过程，从而可为 3D 形状上特定属性的重建提供明确指导。因此，3D 解码器可在网络底层显式捕获高层语义特征，并在网络顶层利用低层特征，从而得以重建更精确的 3D 形状。需注意，该显式解耦的学习无需额外标签，我们训练中所用的唯一监督是输入图像及其对应的 3D 形状。我们在 ShapeNet 数据集上的综合实验表明，3DAttriFlow 优于 state-of-the-art 的形状重建方法，并且我们还在形状补全任务上验证了其泛化能力。
引用
@article{arxiv.2203.15190,
title = {3D Shape Reconstruction from 2D Images with Disentangled Attribute Flow},
author = {Xin Wen and Junsheng Zhou and Yu-Shen Liu and Zhen Dong and Zhizhong Han},
journal= {arXiv preprint arXiv:2203.15190},
year = {2022}
}
备注
Accepted by CVPR 2022