基于先验的单图像三维重建少样本泛化

近期关于单视图三维重建的工作展示了令人印象深刻的结果,但一直局限于少数可获取大量训练数据的固定类别。将这些模型泛化到训练数据有限的新型类别这一问题在很大程度上仍是开放的。为解决该问题,我们提出了一种新的模型架构,将单视图三维重建重新定义为对给定的、类别特定的先验进行学习的、类别无关的细化。某一新类别的给定先验形状可仅由该类别的一个三维形状获得。我们的模型可利用该先验开始重建新类别的物体,而无需看到该类别的任何训练图像,也无需任何重新训练。我们的模型优于类别无关的基线,并与在新类别上微调的更复杂基线保持竞争力。此外,尽管我们的网络未在多视图重建任务上训练,仍能在给定多视图时改进重建结果。