基于高效空间变化核的全卷积网格自编码器
计算机视觉与模式识别
2020-10-22 v2
摘要
学习配准网格的潜在表示对许多 3D 任务都很有用。技术近来已转向神经网格自编码器。尽管它们比传统方法表现出更高的精度，但仍无法捕捉细粒度形变。此外，这些方法只能应用于特定模板的表面网格，而无法适用于更一般的网格，如四面体和非流形网格。虽然可以采用更一般的图卷积方法，但其在重建精度上表现不足且需要更高的内存占用。在本文中，我们提出了一种非模板特定的全卷积网格自编码器，用于任意配准网格数据。它由我们新颖的卷积与（反）池化算子实现，这些算子以全局共享权重和局部变化系数学习，能够有效捕捉由不规则网格连接所呈现的空间变化内容。我们的模型在重建精度上优于最先进的方法。此外，由于全卷积结构，我们网络的潜在编码是完全局部化的，因此比许多传统 3D 网格生成模型具有更高的插值能力。
引用
@article{arxiv.2006.04325,
title = {Fully Convolutional Mesh Autoencoder using Efficient Spatially Varying Kernels},
author = {Yi Zhou and Chenglei Wu and Zimo Li and Chen Cao and Yuting Ye and Jason Saragih and Hao Li and Yaser Sheikh},
journal= {arXiv preprint arXiv:2006.04325},
year = {2020}
}
备注
12 pages