EFEM：用于无场景监督三维物体分割的等变神经场期望最大化
计算机视觉与模式识别
2023-03-28 v1
摘要
我们提出等变神经场期望最大化（EFEM），一种简单、有效且鲁棒的几何算法，可在无标注且不基于场景训练的情况下分割三维场景中的物体。我们通过利用单物体形状先验实现了此种无监督分割。我们在该方向上迈出了两个新颖步骤。首先，我们为此问题引入等变形状表示，以消除由物体构型变化引起的复杂性。其次，我们提出一种新颖的 EM 算法，可利用等变形状先验迭代地优化分割掩码。我们收集了一个新颖的真实数据集 Chairs and Mugs，包含多种物体构型与新场景，以验证我们方法的有效性与鲁棒性。实验结果表明，我们的方法在不同场景中取得了稳定且鲁棒的性能，而（弱）监督方法可能失效。代码与数据见 https://www.cis.upenn.edu/~leijh/projects/efem
引用
@article{arxiv.2303.15440,
title = {EFEM: Equivariant Neural Field Expectation Maximization for 3D Object Segmentation Without Scene Supervision},
author = {Jiahui Lei and Congyue Deng and Karl Schmeckpeper and Leonidas Guibas and Kostas Daniilidis},
journal= {arXiv preprint arXiv:2303.15440},
year = {2023}
}
备注
Accepted by CVPR2023, project page https://www.cis.upenn.edu/~leijh/projects/efem