利用自监督图卷积网络学习网格修复的自先验
计算机视觉与模式识别
2024-04-17 v2
摘要
本文提出一种基于自先验的网格修复框架，该框架仅需不完整的网格作为输入，无需任何训练数据集。此外，我们的方法在修复过程中始终保持多边形网格格式，而不将形状格式转换为中间格式（如体素网格、点云或隐式函数），这些中间格式通常被认为更易于深度神经网络处理。为实现此目标，我们引入两个图卷积网络（GCN）：单分辨率 GCN（SGCN）和多分辨率 GCN（MGCN），二者均以自监督方式训练。我们的方法细化由初始孔洞填充得到的水密网格以生成完整的输出网格。具体而言，我们训练 GCN 将输入网格的过平滑版本形变为期望的完整形状。该形变由顶点位移描述，GCN 被监督以在真实孔洞中的顶点处获得准确位移。为此，我们指定网格的若干连通区域为假孔洞，从而生成具有不同假孔洞集合的网格。在这些假孔洞中顶点的正确位移已知，因此能够使用评估顶点位移准确性的损失函数训练 GCN。我们证明，我们的方法优于传统的与数据集无关的方法，并且对于形状数据集中罕见出现的形状，相较于其他基于深度学习的方法表现出更强的鲁棒性。我们的代码和测试数据可在 https://github.com/astaka-pe/SeMIGCN 获取。
引用
@article{arxiv.2305.00635,
title = {Learning Self-Prior for Mesh Inpainting Using Self-Supervised Graph Convolutional Networks},
author = {Shota Hattori and Tatsuya Yatagawa and Yutaka Ohtake and Hiromasa Suzuki},
journal= {arXiv preprint arXiv:2305.00635},
year = {2024}
}
备注
18 pages, 18 figures, 8 tables