从单张RGB图像无监督学习三维物体的层次化部件分解
计算机视觉与模式识别
2020-04-03 v1
摘要
人类将三维世界感知为一组不同的物体，这些物体具有各种低级（几何、反射率）和高级（连通性、邻接性、对称性）属性。近期基于卷积神经网络（CNNs）的方法在三维重建方面取得了令人瞩目的进展，即使仅使用单张二维图像作为输入。然而，这些方法大多侧重于恢复物体的局部三维几何，而未考虑其基于部件的分解或部件间关系。我们通过提出一种新颖的公式来解决这一具有挑战性的问题，该公式允许在无部件级监督的情况下，联合恢复三维物体作为一组基元的几何及其潜在的层次结构。我们的模型以基元的二叉树形式恢复各种物体的高级结构分解，其中简单部件用较少基元表示，更复杂部件用更多组件建模。我们在ShapeNet和D-FAUST数据集上的实验表明，考虑部件的组织确实有助于对三维几何的推理。
引用
@article{arxiv.2004.01176,
title = {Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from a Single RGB Image},
author = {Despoina Paschalidou and Luc van Gool and Andreas Geiger},
journal= {arXiv preprint arXiv:2004.01176},
year = {2020}
}
备注
To appear at CVPR 2020, project page https://github.com/paschalidoud/hierarchical_primitives