CSGNet：面向构造实体几何的神经形状解析器
计算机视觉与模式识别
2018-04-03 v2 人工智能
摘要
我们提出一种神经架构，以 2D 或 3D 形状为输入，输出生成该形状的程序。我们程序中的指令基于构造实体几何原理，即递归定义的形状基元上的布尔运算集合。该形状解析任务的自底向上技术依赖于基元检测，且由于可能基元组合的搜索空间巨大而天然缓慢。相比之下，我们的模型使用循环神经网络以自顶向下方式解析输入形状，其速度显著更快，并产出紧凑且易于解释的建模指令序列。与现有最优检测技术相比，我们的模型作为形状检测器也更为有效。我们最后证明，通过策略梯度技术，我们的网络可在无真值程序标注的新数据集上训练。
引用
@article{arxiv.1712.08290,
title = {CSGNet: Neural Shape Parser for Constructive Solid Geometry},
author = {Gopal Sharma and Rishabh Goyal and Difan Liu and Evangelos Kalogerakis and Subhransu Maji},
journal= {arXiv preprint arXiv:1712.08290},
year = {2018}
}
备注
Accepted at CVPR-2018