CSG-Stump：一种用于可解释形状解析的易于学习的类 CSG 表示
计算机视觉与模式识别
2021-08-26 v1 图形学
机器学习
摘要
从点云生成 3D 形状的可解释且紧凑的表示是一个重要且具有挑战性的问题。本文提出了 CSG-Stump Net，这是一个无监督的端到端网络，用于从点云中学习形状，并发现其底层的构成建模基元与操作。其核心是一个称为 {\em CSG-Stump} 的三层结构，由底部的补层、中间的交层和顶部的并层组成。CSG-Stump 在表示能力上被证明与 CSG 等价，因此继承了 CSG 可解释、紧凑和可编辑的特性，同时免除了 CSG 复杂的树结构。特别是，CSG-Stump 具有简单且规则的结构，允许神经网络输出恒定维度的结果，这使其对深度学习十分友好。由于 CSG-Stump 的这些特性，CSG-Stump Net 相比以往基于 CSG 的方法取得了更优的结果，并生成了更具吸引力的形状，大量实验证实了这一点。项目页面：https://kimren227.github.io/projects/CSGStump/
引用
@article{arxiv.2108.11305,
title = {CSG-Stump: A Learning Friendly CSG-Like Representation for Interpretable Shape Parsing},
author = {Daxuan Ren and Jianmin Zheng and Jianfei Cai and Jiatong Li and Haiyong Jiang and Zhongang Cai and Junzhe Zhang and Liang Pan and Mingyuan Zhang and Haiyu Zhao and Shuai Yi},
journal= {arXiv preprint arXiv:2108.11305},
year = {2021}
}
备注
Accepted to ICCV 2021