保持非真实：仅借助几何先验弥合 2.5D 识别中的真实感差距

随着大量 3D CAD 模型数据库的日益可用，基于深度的识别方法可以在无数合成渲染图像上训练。然而，来自各类深度传感器的真实数据之间的差异仍明显阻碍进展。先前工作采用无监督方法生成更真实的深度数据，但它们都需要真实扫描用于训练，即便无标签。这仍是一项强约束，尤其在考虑真实生活/工业场景时——此类场景中真实训练图像难以或无法获取，但无纹理 3D 模型可得。因此我们提出一种仅利用 CAD 模型来弥合真实感差距的新方法。我们的生成对抗网络纯粹在合成数据上训练，以无监督方式对抗广泛的增强流程，学会有效分割深度图像并从部分遮挡中恢复干净的拟合成像深度信息。由于我们的方案不仅完全解耦于真实域，也解耦于任务特定分析，预处理后的扫描可交给任意种类与数量的、同样在合成数据上训练的识别方法。通过多项实验，我们展示了这如何简化其训练并持续提升其性能，结果可与在相同方法于真实数据上训练者媲美，且优于通常的反向映射做法。