DDSL：用于学习几何信号的深度可微单纯形层
计算机视觉与模式识别
2019-08-16 v3 计算几何
摘要
我们提出一种用于几何深度学习的神经网络深度可微单纯形层（DDSL）。DDSL 是一种可微层，兼容深度神经网络，用于桥接基于单纯形网格的几何表示（点云、线网格、三角网格、四面体网格）与光栅图像（如 2D/3D 网格）。DDSL 使用非均匀傅里叶变换（NUFT）对基于单纯形的信号进行可微、高效、抗混叠的光栅化。我们给出了该过程的完整理论框架以及高效的反向传播算法。与以往可微渲染器和光栅化器相比，DDSL 可推广到任意单纯形阶数与维度。特别地，我们探索了其在 2D 形状上的应用，并展示了该方法的两种应用：（1）由神经网络输出引导的网格编辑与优化，以及（2）使用 DDSL 作为可微光栅化损失以促进多边形生成器的端到端训练。我们能够通过翼型优化的例子验证基于梯度的形状优化的有效性，并且使用可微光栅化损失促进端到端训练，在给定真实边界框的多边形图像分割任务上超越了当前最优水平。
引用
@article{arxiv.1901.11082,
title = {DDSL: Deep Differentiable Simplex Layer for Learning Geometric Signals},
author = {Chiyu "Max" Jiang and Dana Lynn Ona Lansigan and Philip Marcus and Matthias Nießner},
journal= {arXiv preprint arXiv:1901.11082},
year = {2019}
}