KeypointDeformer：用于形状控制的无监督三维关键点发现
计算机视觉与模式识别
2021-04-23 v1 图形学
摘要
我们提出 KeypointDeformer，一种通过自动发现的三维关键点进行形状控制的新型无监督方法。我们将此问题表述为将同一物体类别下的源三维物体对齐到目标三维物体。我们的方法通过比较两个物体的潜在表示来分析其形状差异。该潜在表示以无监督方式学习得到的三维关键点形式呈现。源物体与目标物体的三维关键点之间的差异进而指导形状变形算法将源物体变形为目标物体。整个模型以端到端方式学习，并在学习使用关键点进行变形时同时发现三维关键点。我们的方法产生了直观且语义一致的形变控制。此外，尽管存在较大的形状变化，我们发现的三维关键点在物体类别实例间保持一致。由于我们的方法是无监督的，它可轻松部署到新的物体类别，而无需三维关键点与变形的标注。
引用
@article{arxiv.2104.11224,
title = {KeypointDeformer: Unsupervised 3D Keypoint Discovery for Shape Control},
author = {Tomas Jakab and Richard Tucker and Ameesh Makadia and Jiajun Wu and Noah Snavely and Angjoo Kanazawa},
journal= {arXiv preprint arXiv:2104.11224},
year = {2021}
}
备注
CVPR 2021 (oral). Project page: http://tomasjakab.github.io/KeypointDeformer