面向真实世界单视图三维重建的领域自适应
计算机视觉与模式识别
2021-08-26 v1
摘要
基于深度学习的目标重建算法相比传统方法已显示出显著改进。然而，当训练数据与测试数据分布不同时，基于监督学习的方法表现不佳。事实上，当前大多数工作在合成 ShapeNet 数据集上表现令人满意，但在面对真实世界图像时却严重失效。为解决此问题，可使用无监督领域自适应从带标签的合成源域迁移知识，并为无标签的真实目标域学习一个分类器。为应对真实域中单视图三维重建的这一挑战，我们实验了多种受最大均值差异 (MMD) 损失、Deep CORAL 和领域对抗神经网络 (DANN) 启发的领域自适应技术。基于这些发现，我们还提出了一种新颖的架构，该架构利用了在此设定中目标域数据在三维模型方面无监督但在类别标签方面有监督这一事实。我们的框架基于一个名为 pix2vox 的近期网络。结果以 ShapeNet 作为源域，以 Object Dataset Domain Suite (ODDS) 数据集中的域作为目标域进行实验，ODDS 是一个真实世界的多视图、多域图像数据集。ODDS 中的域难度各异，使我们能够评估域间隙大小的概念。我们的结果是使用该数据集在多视图重建文献中的首次尝试。
引用
@article{arxiv.2108.10972,
title = {Domain Adaptation for Real-World Single View 3D Reconstruction},
author = {Brandon Leung and Siddharth Singh and Arik Horodniceanu},
journal= {arXiv preprint arXiv:2108.10972},
year = {2021}
}