LightSAL：用于隐式表面表示的轻量级符号无关学习
计算机视觉与模式识别
2021-09-10 v2
摘要
近来，若干工作已采用深度神经网络学习隐式表面表示来建模三维形状。迄今为止，大多数工作集中于重建质量，很少或完全未关注模型大小或训练时间。本文提出 LightSAL，一种用于学习三维形状的新型深度卷积架构；该工作同时关注网络训练时间与所得模型大小方面的效率。我们基于近期的符号无关学习（Sign Agnostic Learning）概念训练所提网络，以符号距离场为基础，使用无符号距离作为真值。在本文实验部分，我们证明所提架构在模型大小与所需训练迭代次数上优于先前工作，同时达到相当的精度。实验基于包含 41k 个人体形状三维扫描的 D-Faust 数据集。所提模型已在 PyTorch 中实现。
引用
@article{arxiv.2103.14273,
title = {LightSAL: Lightweight Sign Agnostic Learning for Implicit Surface Representation},
author = {Abol Basher and Muhammad Sarmad and Jani Boutellier},
journal= {arXiv preprint arXiv:2103.14273},
year = {2021}
}