学习几何一致的网格修正
计算机视觉与模式识别
2019-09-10 v1
摘要
构建良好的 3D 地图是一项具挑战且昂贵的任务,需要高质量传感器以及细致、耗时的扫描。我们试图通过利用在表面与外观上的学习先验,以事后方式修正现有低质量重建的视图,从而降低构建良好重建的成本。我们训练一个 CNN 模型来预测两个网格(一个我们希望修正的低质量网格,一个用作参考的高质量网格)在不同视角下逆深度的差异。与先前工作不同,我们关注修正网格中过度平滑的问题。我们通过合适的网络架构解决此问题,并引入一种在预测中强调边缘的损失加权机制。此外,平滑预测会导致几何不一致。为处理该问题,我们提出一种损失函数,其对非遮挡引起的重投影差异进行惩罚。我们的模型将严重误差降低了 45.3%--77.5%,比先前工作最多高出五倍。
引用
@article{arxiv.1909.03471,
title = {Learning Geometrically Consistent Mesh Corrections},
author = {Ştefan Săftescu and Paul Newman},
journal= {arXiv preprint arXiv:1909.03471},
year = {2019}
}