GraphX-卷积用于二维到三维转换中的点云形变
计算机视觉与模式识别
2019-11-18 v1 计算几何
机器学习
摘要
本文提出一种从单张静态图像重建物体点云的新颖深度方法。该领域先前的方法由于低效且昂贵的 3D 表示、输出与模型参数数量的依赖关系或缺乏合适的计算操作，难以重建准确且可扩展的 3D 模型。我们提出通过两步将随机点云形变为物体形状来克服这些问题：特征融合与形变。第一步，从 2D 物体图像提取的全局与点专属形状特征与随机生成点云的编码特征相融合，然后将该混合特征送入形变步骤以生成物体最终的表示点集。在形变过程中，我们引入称为 GraphX 的新层，它像普通图卷积一样考虑点间关系，但作用于无序集合。此外，通过一个简单技巧，所提模型可生成任意大小的点云，这是首个做到这一点的深度方法。大量实验验证我们优于现有模型，并将单图像 3D 重建的 SOTA 距离分数减半。
引用
@article{arxiv.1911.06600,
title = {GraphX-Convolution for Point Cloud Deformation in 2D-to-3D Conversion},
author = {Anh-Duc Nguyen and Seonghwa Choi and Woojae Kim and Sanghoon Lee},
journal= {arXiv preprint arXiv:1911.06600},
year = {2019}
}
备注
In Proceedings of the IEEE International Conference on Computer Vision 2019. Fixed minor details and added some updates. Project page: https://git.io/JeovA