面向无监督3D形状抽象的层次化Transformer

我们提出了HiT（Hierarchical Transformers for Unsupervised 3D Shape Abstraction），一种新颖的3D形状层次化神经场表示方法，通过以粗到细的方式在不同形状类别上学习一般性层次结构。我们的关键贡献是一种层次化Transformer（HiT），其中每个层次使用压缩码本学习树状层次结构中的父子关系。这种码本使网络能够自动识别跨可能多样化形状类别的常见子结构。与以往限制任务为固定层次结构（如二元结构）的工作不同，我们仅限制每个树层次的节点总数，无需其他结构约束。这种灵活性使方法能够直接从数据中推断层次结构，跨多个形状类别，表征比先前方法更为一般和复杂的层次结构。在以重建损失进行大规模训练后，我们的模型捕捉到父节点与子节点之间具有意义的包含关系。我们通过在全部55个ShapeNet类别上进行无监督形状分割任务Demonstrated其有效性，其中我们的方法成功地将形状分割为多个粒度层次。