从数据集分散度视角看单视图 3D 重建网络中的重建与识别
计算机视觉与模式识别
2021-12-01 v1
摘要
用于单视图 3D 重建（SVR）的神经网络（NN）日益流行。近期研究指出，在 SVR 中，大多数前沿 NN 在重建未见物体时性能有限，因为它们主要依赖识别（即基于分类的方法）而非形状重建。为深入理解该问题，我们针对 NN 何时及为何偏好识别而非重建（反之亦然）进行了系统研究。我们的发现表明，决定识别与重建的主导因素是训练数据的分散程度。因此，我们引入分散度分数这一新的数据驱动度量来量化该主导因素并研究其对 NN 的影响。我们假设，当训练图像更分散且训练形状较不分散时，NN 偏向识别。该假设得到支持，且分散度分数通过我们在合成与基准数据集上的实验被证明有效。我们表明，所提度量是分析重建质量的主要途径，并补充了传统重建分数之外的新信息。
引用
@article{arxiv.2111.15158,
title = {A Dataset-Dispersion Perspective on Reconstruction Versus Recognition in Single-View 3D Reconstruction Networks},
author = {Yefan Zhou and Yiru Shen and Yujun Yan and Chen Feng and Yaoqing Yang},
journal= {arXiv preprint arXiv:2111.15158},
year = {2021}
}
备注
Accepted to 3DV 2021