ANISE：基于组装的神经隐式表面重建
计算机视觉与模式识别
2023-07-10 v2 图形学
摘要
我们提出 ANISE，一种利用部件感知神经隐式形状表示从部分观测（图像或稀疏点云）重建 3D 形状的方法。该形状被表述为神经隐式函数的组装，每个函数表示一个不同的部件实例。与先前方法不同，该表示的预测以由粗到精的方式进行。我们的模型首先以部件实例的几何变换形式重建形状的结构排布。以其为条件，模型预测编码其表面几何的部件潜码。重建可通过两种方式获得：（i）直接将部件潜码解码为部件隐式函数，再组合为最终形状；或（ii）利用部件潜码在部件数据库中检索相似部件实例并组装为单一形状。我们证明，当通过将部件表示解码为隐式函数进行重建时，我们的方法在基于图像与稀疏点云的部分感知重建上均达到 SOTA 结果。当通过组装从数据集检索的部件重建形状时，即便大幅限制数据库规模，我们的方法也显著优于传统形状检索方法。我们在知名的稀疏点云重建与单视图重建基准上展示了结果。
引用
@article{arxiv.2205.13682,
title = {ANISE: Assembly-based Neural Implicit Surface rEconstruction},
author = {Dmitry Petrov and Matheus Gadelha and Radomir Mech and Evangelos Kalogerakis},
journal= {arXiv preprint arXiv:2205.13682},
year = {2023}
}