用于单视图三维补全与重建的形状先验学习
计算机视觉与模式识别
2018-09-14 v1 人工智能
摘要
单视图三维形状补全或重建问题具有挑战性，因为在解释观测的众多可能形状中，大多数不合常理且不符合自然物体。该领域近期研究通过利用深度卷积网络的表现力解决了这一问题。事实上，还存在另一个常被忽视的歧义层面：在合理形状中，仍有多个形状同样好地拟合二维图像；即给定单视图输入，真实形状是非确定性的。现有的全监督方法未能解决此问题，常产生具有平滑表面但缺乏精细细节的模糊平均形状。本文中，我们提出ShapeHD，通过将深度生成模型与对抗学习的形状先验相结合，推进单视图形状补全与重建的极限。学习到的先验作为正则化器，仅当模型输出不真实时才惩罚模型，而非在其偏离真实值时惩罚。因此，我们的设计克服了上述两个层面的歧义。实验表明，在多个真实数据集上，ShapeHD在形状补全和形状重建方面大幅优于当前最优方法。
引用
@article{arxiv.1809.05068,
title = {Learning Shape Priors for Single-View 3D Completion and Reconstruction},
author = {Jiajun Wu and Chengkai Zhang and Xiuming Zhang and Zhoutong Zhang and William T. Freeman and Joshua B. Tenenbaum},
journal= {arXiv preprint arXiv:1809.05068},
year = {2018}
}
备注
ECCV 2018. The first two authors contributed equally to this work. Project page: http://shapehd.csail.mit.edu/