在二维旋转对称检测中利用三维几何先验

对称性在理解结构模式、辅助物体识别和场景解释中起着至关重要的作用。本文聚焦于旋转对称性，即物体绕中心轴旋转时保持不变，需要检测旋转中心和支撑顶点。传统方法依赖手工特征匹配，而近年来基于卷积神经网络的分割模型能够检测旋转中心，但由于视角畸变，难以保持三维几何一致性。为克服这一问题，我们提出了一种模型，直接预测三维空间中的旋转中心和顶点，并将结果投影回二维，同时保持结构完整性。通过引入顶点重建阶段来强制执行三维几何先验——例如等边长和内角相等——我们的模型增强了鲁棒性和准确性。在DENDI数据集上的实验表明，该方法在旋转轴检测方面性能优越，并通过消融研究验证了三维先验的影响。