学习从未见过的类别中重建形状
计算机视觉与模式识别
2018-12-31 v1 人工智能
摘要
从单张图像，人类能够通过利用日常所学形状先验来感知物体的完整 3D 形状。当代的单图像 3D 重建算法旨在以类似方式解决此任务，但往往以高度受训练类别偏置的先验告终。在此我们提出一种名为可泛化重建（GenRe）的算法，旨在捕捉更通用的、与类别无关的形状先验。我们通过推理网络与训练过程实现这一点，其以原则性方式结合可见表面（深度与轮廓）的 2.5D 表示、可见与不可见表面的球面形状表示以及基于 3D 体素的表示，利用了 3D 形状如何产生 2D 图像的因果结构。实验表明 GenRe 在单视图形状重建上表现良好，并泛化到训练期间未见过的类别中的多样新物体。
引用
@article{arxiv.1812.11166,
title = {Learning to Reconstruct Shapes from Unseen Classes},
author = {Xiuming Zhang and Zhoutong Zhang and Chengkai Zhang and Joshua B. Tenenbaum and William T. Freeman and Jiajun Wu},
journal= {arXiv preprint arXiv:1812.11166},
year = {2018}
}
备注
NeurIPS 2018 (Oral). The first two authors contributed equally to this paper. Project page: http://genre.csail.mit.edu/