用于结构感知形状合成的部分生成与组装学习
计算机视觉与模式识别
2020-01-28 v4
摘要
学习强大的深度生成模型用于 3D 形状合成，在很大程度上受限于难以保证包含正确拓扑与合理几何的合理性。事实上，鉴于 3D 物体即使在同一类别内也存在显著的拓扑变化，对整体方法而言，学习合理 3D 形状的分布似乎是一项艰巨任务。受 3D 形状结构以部分组合与摆放为表征这一事实的启发，我们提出用部分感知的深度生成网络（称为 PAGENet）来建模 3D 形状变化。该网络由一组逐部分 VAE-GAN 组成，生成组合成完整形状的语义部分，其后接一个部分组装模块，该模块估计每个部分的变换以关联并将它们组装为合理结构。通过将部分组合与部分摆放的学习委托给独立网络，建模 3D 形状结构变化的难度被大幅降低。我们通过定性与定量评估表明，PAGENet 生成的 3D 形状具有合理、多样且细致的结构，并展示了两个应用，即语义形状分割与基于部分的形状编辑。
引用
@article{arxiv.1906.06693,
title = {Learning Part Generation and Assembly for Structure-aware Shape Synthesis},
author = {Jun Li and Chengjie Niu and Kai Xu},
journal= {arXiv preprint arXiv:1906.06693},
year = {2020}
}