ARAPReg：一种用于学习可变形形状生成器的尽可能刚性正则化损失
计算机视觉与模式识别
2021-09-22 v2 人工智能
图形学
摘要
本文提出了一种用于训练参数化形变形状生成器的无监督损失。其核心思想是强制保持生成形状之间的局部刚性。我们的方法建立在尽可能刚性（as-rigid-as possible，或 ARAP）形变能量的近似之上。我们展示了如何通过 ARAP 能量 Hessian 矩阵的谱分解来构造该无监督损失。我们的损失通过一种鲁棒范数巧妙地将姿态与形状变化解耦。该损失具有简单的闭式表达式，易于训练，并且可以插入任何标准生成模型，例如变分自编码器（VAE）和自解码器（AD）。实验结果表明，在包含人体、动物和骨骼等多种形状类别的公开基准数据集上，我们的方法显著优于现有的形状生成方法。
引用
@article{arxiv.2108.09432,
title = {ARAPReg: An As-Rigid-As Possible Regularization Loss for Learning Deformable Shape Generators},
author = {Qixing Huang and Xiangru Huang and Bo Sun and Zaiwei Zhang and Junfeng Jiang and Chandrajit Bajaj},
journal= {arXiv preprint arXiv:2108.09432},
year = {2021}
}