基于隐空间分解的复合形状建模
计算机视觉与模式识别
2019-10-31 v2
摘要
我们提出了一种称为 Decomposer-Composer 的新型神经网络架构，用于语义结构感知的三维形状建模。我们的方法利用基于自编码器的流程，产生一种新颖的分解形状嵌入空间，其中形状集合的语义结构转化为数据依赖的子空间分解，并且形状的组合与分解成为嵌入坐标上的简单线性操作。我们进一步提出使用显式学习的部件形变模块来建模形状装配，该模块利用三维空间变换网络执行网络内的体素网格形变，并允许我们端到端地训练整个系统。所得到的网络使我们能够进行部件级形状操控，这是现有方法无法实现的。我们大量的消融研究、与基线方法的比较以及定性分析证明了所提方法的性能提升。
引用
@article{arxiv.1901.02968,
title = {Composite Shape Modeling via Latent Space Factorization},
author = {Anastasia Dubrovina and Fei Xia and Panos Achlioptas and Mira Shalah and Raphael Groscot and Leonidas Guibas},
journal= {arXiv preprint arXiv:1901.02968},
year = {2019}
}