LBS 自编码器：将关节化网格自监督拟合到点云
计算机视觉与模式识别
2019-04-24 v1 机器学习
摘要
我们提出 LBS-AE；一种用于将关节化网格模型拟合到点云的自监督自编码算法。作为输入，我们采用待配准的点云序列以及由艺术家绑定的网格，即配备了由骨架层级参数化的线性混合蒙皮(LBS)形变空间的模板网格。作为输出，我们学习一个基于 LBS 的自编码器，由输入点云产生已配准的网格。为弥合艺术家定义的几何与所捕获点云之间的差距，我们的自编码器对模板几何的位姿相关偏差建模。在训练期间，我们的方法不利用显式对应（如关键点或位姿监督），而是借助 LBS 形变来引导学习过程。为避免由错误点与点对应导致的不良局部极小，我们利用了基于部件分割的结构化倒角距离，而该分割是通过自监督同时学习的。我们在真实捕获的手部上展示了定性结果，并在 FAUST 身体配准基准上报告了定量评估。我们的方法取得了优于其他无监督方法的性能，并与使用有监督样本的方法相当。
引用
@article{arxiv.1904.10037,
title = {LBS Autoencoder: Self-supervised Fitting of Articulated Meshes to Point Clouds},
author = {Chun-Liang Li and Tomas Simon and Jason Saragih and Barnabás Póczos and Yaser Sheikh},
journal= {arXiv preprint arXiv:1904.10037},
year = {2019}
}
备注
In the Proceedings of IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2019)