用于三维形状的局部深度隐式函数
计算机视觉与模式识别
2020-06-15 v2 图形学
摘要
本项目的目标是学习一种三维形状表示，其能够实现精确表面重建、紧凑存储、高效计算、相似形状的一致性、跨多样形状类别的泛化，以及从深度相机观测进行推断。为此，我们引入局部深度隐式函数（LDIF），一种将空间分解为一组结构化的已学习隐式函数的三维形状表示。我们提供了从三维网格或位姿深度图像推断空间分解和局部深度隐式函数的网络。在实验中，我们发现其表面重建精度（F-Score）比最先进的（SOTA）方法（OccNet）高出10.3个点，同时所需网络参数少于1%。在位姿深度图像补全和未见过类别的泛化实验上分别显示出比最先进方法高出15.8和17.8个点的改进，同时为各输入生成结构化的三维表示，并在多样形状集合间保持一致。
引用
@article{arxiv.1912.06126,
title = {Local Deep Implicit Functions for 3D Shape},
author = {Kyle Genova and Forrester Cole and Avneesh Sud and Aaron Sarna and Thomas Funkhouser},
journal= {arXiv preprint arXiv:1912.06126},
year = {2020}
}
备注
Camera ready version for CVPR 2020 Oral. Prior to review, this paper was referred to as DSIF, "Deep Structured Implicit Functions." 11 pages, 9 figures. Project video at https://youtu.be/3RAITzNWVJs