元学习三维形状分割函数
计算机视觉与模式识别
2024-02-07 v2
摘要
利用深度神经网络学习鲁棒的三维形状分割函数已成为一种强有力的范式，在为每个三维形状生成一致的部分分割方面展现出良好的性能。跨三维形状分割函数的泛化需要对相应函数空间上的先验进行鲁棒学习，并能在存在显著三维结构变化的情况下实现对形状的一致部分分割。现有的泛化方法依赖于在大规模标注数据集上对三维形状分割函数进行大量训练。本文提出将三维形状分割函数空间的学习形式化为一个元学习问题，旨在预测一个能够快速适应新形状且无需或仅需少量训练数据的三维分割模型。更具体地，我们将每个任务定义为形状条件三维分割函数的无监督学习，该函数以三维空间中的点为输入并预测部分分割标签。该三维分割函数通过自监督的三维形状重建损失进行训练，无需部分标签。此外，我们引入一个辅助深度神经网络作为元学习器，以三维形状为输入并预测相应三维分割函数空间上的先验。实验表明，我们提出的元学习方法（记为 Meta-3DSeg）在无监督三维形状分割上优于传统的深度神经网络三维形状分割函数设计。
引用
@article{arxiv.2110.03854,
title = {Meta-Learning 3D Shape Segmentation Functions},
author = {Yu Hao and Hao Huang and Shuaihang Yuan and Yi Fang},
journal= {arXiv preprint arXiv:2110.03854},
year = {2024}
}