伴随刚性变换网络：任务条件下的三维形状对齐
计算机视觉与模式识别
2023-10-30 v3
摘要
大多数用于三维数据（点云、网格）的学习方法在数据未仔细对齐到规范方向时性能会显著下降。对齐来自不同来源的真实世界三维数据并非易事，且需要人工干预。本文提出伴随刚性变换（ART）网络，这是一种可集成到多种三维网络中以显著提升其性能的神经网络模块。ART学习将输入形状旋转到学习得到的规范方向，这对于形状重建、插值、非刚性配准和潜空间解耦等诸多任务至关重要。ART通过自监督和预测旋转上的旋转等变约束实现这一点。引人注目的结果是，仅通过自监督，ART就能为刚性和非刚性形状学习唯一的规范方向，从而显著提升上述任务的性能。我们将发布代码和预训练模型以供进一步研究。
引用
@article{arxiv.2102.01161,
title = {Adjoint Rigid Transform Network: Task-conditioned Alignment of 3D Shapes},
author = {Keyang Zhou and Bharat Lal Bhatnagar and Bernt Schiele and Gerard Pons-Moll},
journal= {arXiv preprint arXiv:2102.01161},
year = {2023}
}