ConDor：面向部分形状的自监督三维位姿规范化方法
计算机视觉与模式识别
2022-04-15 v2 人工智能
机器学习
摘要
三维物体理解的进展一直依赖于经过人工规范化的形状数据集，这些数据集包含具有一致位置和朝向（三维位姿）的实例。这使得这些方法难以推广到真实场景中的形状，例如来自互联网模型库或深度传感器的形状。ConDor 是一种自监督方法，学习对完整与部分三维点云的三维朝向和位置进行规范化（Canonicalize）。我们构建于张量场网络（Tensor Field Networks, TFNs）之上，该类网络是一类置换与旋转等变、且平移不变的三维网络。在推理时，我们的方法接受一个任意位姿下未见过的完整或部分三维点云，并输出等变的规范化位姿。在训练时，该网络利用自监督损失从未规范化的完整与部分三维点云集合中学习规范化位姿。ConDor 还能在没有任何监督的情况下学习一致地共分割物体部件。在四个新指标上的大量定量结果表明，我们的方法优于现有方法，同时支持新的应用，如深度图像上的操作与标注迁移。
引用
@article{arxiv.2201.07788,
title = {ConDor: Self-Supervised Canonicalization of 3D Pose for Partial Shapes},
author = {Rahul Sajnani and Adrien Poulenard and Jivitesh Jain and Radhika Dua and Leonidas J. Guibas and Srinath Sridhar},
journal= {arXiv preprint arXiv:2201.07788},
year = {2022}
}
备注
Accepted to CVPR 2022, New Orleans, Louisiana. For project page and code, see https://ivl.cs.brown.edu/ConDor/