GLASS：用于形状空间的几何隐空间增强
计算机视觉与模式识别
2022-05-02 v3
摘要
我们研究在非常稀疏的 3D 模型集合上训练生成模型的问题。我们利用几何驱动的能来扩充并由此提升稀疏的示例（训练）模型集合。我们分析尽可能刚性（ARAP）能量的 Hessian 以从底层（局部）形状空间采样并投影到其中，并使用扩充后的数据集训练变分自编码器（VAE）。我们迭代构建 VAE 隐空间并扩充相关数据集的过程，以逐步揭示更丰富、更具表达力的生成空间，用于创建几何与语义有效的样本。我们的框架允许我们即使在少量高质量 3D 模型（通常难以整理）的情况下也能训练生成式 3D 模型。我们针对一组强基线广泛评估了我们的方法，提供了消融研究，并展示了在建立形状对应方面的应用。我们展示了多个有趣且有意义的形状变化示例，即便从少至 3-10 个训练形状开始也是如此。
引用
@article{arxiv.2108.03225,
title = {GLASS: Geometric Latent Augmentation for Shape Spaces},
author = {Sanjeev Muralikrishnan and Siddhartha Chaudhuri and Noam Aigerman and Vladimir Kim and Matthew Fisher and Niloy Mitra},
journal= {arXiv preprint arXiv:2108.03225},
year = {2022}
}
备注
CVPR 2022