CorrNet3D：面向三维点云稠密对应的无监督端到端学习
计算机视觉与模式识别
2021-05-04 v2 人工智能
摘要
基于“将两片已对齐的点云相互变换比未对齐的点云对更容易且更有意义”这一直觉，我们提出了 CorrNet3D——首个无监督且端到端的基于深度学习的框架——通过类形变的重建来驱动三维形状间稠密对应的学习，从而克服对标注数据的需求。具体而言，CorrNet3D 由一个深度特征嵌入模块以及两个称为对应指示器和对称形变器的新型模块组成。给定一对原始点云，我们的模型首先学习逐点特征并将其送入指示器以生成可学习的对应矩阵，用于置换输入点云对。对称形变器在附加正则化损失的约束下，将两片置换后的点云相互变换，以驱动对应的无监督学习。在刚性与非刚性三维形状的合成及真实世界数据集上的大量实验表明，我们的 CorrNet3D 大幅优于当前最优方法，包括那些以网格为输入的方法。CorrNet3D 是一个灵活的框架，若有标注数据可用，它也可轻松适配于有监督学习。源代码与预训练模型将发布于 https://github.com/ZENGYIMING-EAMON/CorrNet3D.git。
引用
@article{arxiv.2012.15638,
title = {CorrNet3D: Unsupervised End-to-end Learning of Dense Correspondence for 3D Point Clouds},
author = {Yiming Zeng and Yue Qian and Zhiyu Zhu and Junhui Hou and Hui Yuan and Ying He},
journal= {arXiv preprint arXiv:2012.15638},
year = {2021}
}
备注
This paper was accepted by CVPR 2021