一种使用自适应实例归一化的点云卷积解码器
计算机视觉与模式识别
2019-06-28 v1 图形学
摘要
高质量三维形状的自动合成是一个持续且具有挑战性的研究领域。虽然已提出多种利用神经网络生成三维形状的数据驱动方法，但没有一种能达到深度学习图像合成方法所提供的质量水平。在这项工作中，我们提出了一种卷积点云解码器/生成器方法，该方法利用了图像合成领域的最新进展。即，我们使用自适应实例归一化（Adaptive Instance Normalization），并对其为何能改善训练提供了直观解释。此外，我们提出了对点云自编码中常用的 Chamfer 距离最小化的扩展。我们还表明，无论是对于输入几何体还是在我们的点云生成过程中，仔细的采样对于改善结果都很重要。结果在自编码设置下进行评估，以提供定性和定量分析。所提出的解码器通过广泛的消融研究得到验证，并能在多项实验中超越当前最先进的结果。我们展示了该方法在点云上采样、单视图重建和形状合成领域的适用性。
引用
@article{arxiv.1906.11478,
title = {A Convolutional Decoder for Point Clouds using Adaptive Instance Normalization},
author = {Isaak Lim and Moritz Ibing and Leif Kobbelt},
journal= {arXiv preprint arXiv:1906.11478},
year = {2019}
}
备注
Symposium on Geometry Processing 2019