D$^2$IM-Net：从单幅图像学习细节解耦的隐式场
计算机视觉与模式识别
2020-12-18 v2
摘要
我们提出了首个单视图三维重建网络，旨在从输入图像中恢复包含拓扑形状结构与表面特征的几何细节。我们的核心思想是训练网络学习一种细节解耦的重建，其由两个函数组成：一个表示粗粒度三维形状的隐式场，另一个捕捉细节。给定输入图像，我们提出的网络 DIM-Net 将其编码为全局与局部特征，并分别送入两个解码器。基础解码器利用全局特征重建粗粒度隐式场，而细节解码器从局部特征重建定义于被捕获物体正反两面的两张位移图。最终的的三维重建是基础形状与位移图的融合，并通过一个新颖的拉普拉斯项以三个损失分别强制恢复粗形状、整体结构与表面细节。
引用
@article{arxiv.2012.06650,
title = {D$^2$IM-Net: Learning Detail Disentangled Implicit Fields from Single Images},
author = {Manyi Li and Hao Zhang},
journal= {arXiv preprint arXiv:2012.06650},
year = {2020}
}