AutoSynth：学习生成用于物体点云配准的三维训练数据
计算机视觉与模式识别
2023-09-21 v1
摘要
在当前的深度学习范式下，训练数据的数量与质量与网络架构及其训练细节同样关键。然而，大规模收集、处理和标注真实数据困难、昂贵且耗时，尤其是对于诸如三维物体配准等任务。虽然可以创建合成数据集，但它们需要专业知识来设计且只包含有限数量的类别。在本文中，我们引入一种称为 AutoSynth 的新方法，其自动生成用于点云配准的三维训练数据。具体而言，AutoSynth 通过探索涵盖数百万具有多样三维形状的潜在数据集的搜索空间，以低成本自动策划最优数据集。为实现这一点，我们通过组装形状基元生成合成三维数据集，并开发一种元学习策略来搜索用于真实点云上三维配准的最佳训练数据。为使该搜索保持易处理，我们用小得多的代理网络替换点云配准网络，从而实现 倍的加速。我们通过使用两种不同的点云配准网络 BPNet 和 IDAM 实现我们的方法来证明该方法的通用性。我们在 TUD-L、LINEMOD 和 Occluded-LINEMOD 上的结果表明，在我们搜索的数据集上训练的神经网络比在广泛使用的 ModelNet40 数据集上训练的相同网络产生持续更优的性能。
引用
@article{arxiv.2309.11170,
title = {AutoSynth: Learning to Generate 3D Training Data for Object Point Cloud Registration},
author = {Zheng Dang and Mathieu Salzmann},
journal= {arXiv preprint arXiv:2309.11170},
year = {2023}
}
备注
accepted by ICCV2023