用于全局结构与局部几何推断的深度神经网络高分辨率形状补全
计算机视觉与模式识别
2017-09-26 v1 计算几何
图形学
摘要
我们提出了一种数据驱动的方法，用于恢复 3D 形状的缺失部分。我们的方法基于一种由两个子网络组成的新型深度学习架构：一个全局结构推断网络和一个局部几何细化网络。全局结构推断网络包含一个长短期记忆上下文融合模块 (LSTM-CF)，该模块根据作为输入一部分提供的多视图深度信息推断形状的全局结构。它还包含一个 3D 全卷积 (3DFCN) 模块，该模块根据输入中的体积信息进一步丰富全局结构表示。在全局结构网络的指导下，局部几何细化网络以缺失区域周围的局部 3D 块作为输入，并通过体积编码器-解码器架构逐步生成高分辨率的完整表面。我们的方法以端到端的方式联合训练全局结构推断网络和局部几何细化网络。我们在六个物体类别上进行了定性和定量评估，证明我们的方法在形状补全方面优于现有的 SOTA 工作。
引用
@article{arxiv.1709.07599,
title = {High-Resolution Shape Completion Using Deep Neural Networks for Global Structure and Local Geometry Inference},
author = {Xiaoguang Han and Zhen Li and Haibin Huang and Evangelos Kalogerakis and Yizhou Yu},
journal= {arXiv preprint arXiv:1709.07599},
year = {2017}
}
备注
8 pages paper, 11 pages supplementary material, ICCV spotlight paper