3DMotion-Net：学习用于三维运动预测的连续流函数
计算机视觉与模式识别
2020-06-25 v1
摘要
在本文中，我们处理从之前两个连续帧预测三维物体扫描未来三维运动的问题。先前的方法主要关注以骨架形式的稀疏运动预测。而本文中我们专注于以三维点云形式预测密集三维运动。为解决此问题，我们提出一种自监督方法，利用深度神经网络的力量学习三维点云的连续流函数，该函数可预测时间一致的未来运动，并同时自然得出连续点云之间的对应关係。更具体地，在我们的方法中，为消除在三维点云序列上定义离散点卷积以编码空间和时间信息的未解决且具有挑战性的过程，我们引入可学习的潜码来表示在时间上感知的形状描述符，该描述符在模型训练期间被优化。此外，提出时间一致运动 Morph 器来学习连续流场，其将三维扫描从当前帧变形到下一帧。我们在 D-FAUST、SCAPE 和 TOSCA 基准数据集上进行了广泛实验，结果表明我们的方法能够处理时间不一致的输入并产生一致的未来三维运动，同时不需要真值监督。
引用
@article{arxiv.2006.13906,
title = {3DMotion-Net: Learning Continuous Flow Function for 3D Motion Prediction},
author = {Shuaihang Yuan and Xiang Li and Anthony Tzes and Yi Fang},
journal= {arXiv preprint arXiv:2006.13906},
year = {2020}
}
备注
8 pages, 7 figures