学习推断用于 3D 形状编辑的语义参数
计算机视觉与模式识别
2020-11-11 v1
摘要
3D 形状设计与增强中的许多应用需要能够对对象的语义参数（如人体手臂姿态或飞机机翼长度）进行特定编辑，同时尽可能保留现有细节。我们提出学习一个深度网络，其推断输入形状的语义参数并允许用户操控这些参数。该网络在来自辅助合成模板的形状与无标注真实模型上联合训练，确保对形状变化的鲁棒性，同时免去标注真实样本之需。在测试时，参数空间内的编辑驱动对原始形状施加形变，从而提供具语义意义的操控并保留细节。这与先前方法形成对比：后者或使用具有有限潜空间维度的自编码器（无法保留任意细节），或使用纯几何控制（如笼子）驱动形变（丧失更新局部部件区域的能力）。基于椅子、飞机与人体数据集的实验表明，我们的方法比先前工作产生更自然的编辑。
引用
@article{arxiv.2011.04755,
title = {Learning to Infer Semantic Parameters for 3D Shape Editing},
author = {Fangyin Wei and Elena Sizikova and Avneesh Sud and Szymon Rusinkiewicz and Thomas Funkhouser},
journal= {arXiv preprint arXiv:2011.04755},
year = {2020}
}
备注
22 pages and 19 figures including supplementary material; to be published in the proceedings of 3DV 2020