学习可变形四面体网格用于三维重建
计算机视觉与模式识别
2020-11-25 v2
摘要
适应基于学习的三维重建的3D形状表示是机器学习与计算机图形学中的开放问题。先前关于神经三维重建的工作展示了点云、体素、表面网格与隐式函数表示的益处及局限。我们引入可变形四面体网格（DefTet）作为一种特定参数化，利用体积四面体网格处理重建问题。不同于现有体积方法，DefTet同时优化顶点位置与占据状态，且相对于标准三维重建损失函数可微。因此它同时具备高精度、体积性，并适于基于学习的神经架构。我们展示其可表示任意复杂拓扑，内存与计算均高效，且能以显著小于其他体积方法的网格尺寸产生高保真重建。预测表面本身即定义为四面体网格，故无需后处理。我们证明DefTet匹配或超越先前最佳方法的质量及最快方法的性能。我们的方法从含噪点云直接计算出高质量四面体网格，且首个展示仅以单张图像为输入即得高质量三维四面体网格结果。项目主页：https://nv-tlabs.github.io/DefTet/
引用
@article{arxiv.2011.01437,
title = {Learning Deformable Tetrahedral Meshes for 3D Reconstruction},
author = {Jun Gao and Wenzheng Chen and Tommy Xiang and Clement Fuji Tsang and Alec Jacobson and Morgan McGuire and Sanja Fidler},
journal= {arXiv preprint arXiv:2011.01437},
year = {2020}
}
备注
Accepted to NeurIPS 2020. Webpage: https://nv-tlabs.github.io/DefTet/