通过集成和负基元改进凸分解

用基元（几何上简单的形状，提供结构简洁但准确的抽象）描述场景是一个既定且困难的拟合问题。不同场景需要不同数量的基元，并且这些基元之间相互作用强烈。现有方法通过比较预测的深度、法线和分割与真实值来评估。最先进的方法涉及一个学习的回归过程来预测一个由固定数量基元组成的起点，然后通过下降方法细化几何并去除冗余基元。CSG（构造实体几何）表示通过集合差运算得到显著增强。我们的表示包含负基元，这些基元从正基元中减去。它们显著丰富了模型可以编码的几何形状，同时使拟合问题复杂化。本文提出了一种方法，可以（a）纳入这些负基元，并且（b）通过集成选择正负基元的总数。在标准NYUv2数据集上的大量实验证实，（a）这种方法在深度表示和分割方面比SOTA有显著改进，（b）负基元提高了拟合精度。我们的方法在数据集上具有鲁棒性：首次，我们评估了LAION图像的基元预测。