形变隐式场：以学习到的稠密对应建模三维形状
计算机视觉与模式识别
2021-03-30 v3
摘要
我们提出一种新颖的形变隐式场(DIF)表示，用于建模某一类别的三维形状并在形状间生成稠密对应。借助 DIF，一个三维形状由该类别共享的模板隐式场，以及专属于每个形状实例的三维形变场与校正场共同表示。利用各自的形变场可轻松建立形状对应。我们所称的 DIF-Net 神经网络，在无需任何对应或部件标签的情况下，联合学习属于某类别的三维物体的形状潜空间与这些场。学习到的 DIF-Net 还能提供反映形状结构差异的可靠对应不确定性度量。实验表明，DIF-Net 不仅生成高保真三维形状，还在不同形状间建立高质量稠密对应。我们还展示了若干应用，如纹理迁移与形状编辑，其中我们的方法取得了以往方法无法实现的引人注目结果。
引用
@article{arxiv.2011.13650,
title = {Deformed Implicit Field: Modeling 3D Shapes with Learned Dense Correspondence},
author = {Yu Deng and Jiaolong Yang and Xin Tong},
journal= {arXiv preprint arXiv:2011.13650},
year = {2021}
}
备注
CVPR21 camera ready version