DAE-Net:用于细粒度形状共分割的形变自编码器

我们提出一种无监督 3D 形状共分割方法,它从形状集合中学习一组可形变部件模板。为适应集合中的结构变化,我们的网络通过选定子集的仿射变换模板部件来组合每个形状。为最大化部件模板的表达能力,我们引入逐部件形变网络以建模具有显著几何变化的多样部件,同时对形变能力施加约束以确保对原始表示部件的保真度。我们还提出一种训练方案以有效克服局部极小。在架构上,我们的网络是一个分支自编码器,其中 CNN 编码器将体素形状作为输入并生成逐部件变换矩阵、潜码和部件存在分数,解码器输出点占据率以定义重建损失。我们的网络被称为 DAE-Net(Deforming Auto-Encoder,形变自编码器),能够实现无监督 3D 形状共分割,产生细粒度、紧凑且语义明确的部件,并在多样形状间保持一致。我们在 ShapeNet Part 数据集、DFAUST 和 Objaverse 的一个动物子集上进行了大量实验,显示出优于先前方法的性能。代码和数据可在 https://github.com/czq142857/DAE-Net 获取。