自适应 O-CNN：一种基于面片的 3D 形状深度表示
计算机视觉与模式识别
2020-02-27 v1 图形学
摘要
我们提出一种自适应八叉树卷积神经网络（Adaptive O-CNN），用于高效的 3D 形状编码与解码。与以相同分辨率体素表示 3D 形状的基于体素或基于八叉树的 CNN 方法不同，我们的方法以不同层级的八分体自适应表示 3D 形状，并用平面面片对每个八分体内的 3D 形状建模。基于这一自适应面片表示，我们提出 Adaptive O-CNN 编码器与解码器用于 3D 形状的编码与解码。Adaptive O-CNN 编码器以平面面片法线与位移作为输入，并仅在各层级的八分体上执行 3D 卷积；而 Adaptive O-CNN 解码器推断各层级八分体的形状占据与细分状态，并估计每个叶八分体的最佳平面法线与位移。作为 3D 形状分析与生成的通用框架，Adaptive O-CNN 不仅降低了内存与计算成本，还提供了优于现有 3D-CNN 方法的形状生成能力。我们在不同形状分析与生成任务上验证了 Adaptive O-CNN 的效率与有效性，包括形状分类、3D 自编码、从单幅图像预测形状，以及针对含噪与不完备点云的形状补全。
引用
@article{arxiv.1809.07917,
title = {Adaptive O-CNN: A Patch-based Deep Representation of 3D Shapes},
author = {Peng-Shuai Wang and Chun-Yu Sun and Yang Liu and Xin Tong},
journal= {arXiv preprint arXiv:1809.07917},
year = {2020}
}