以多视图一致性作为监督信号学习形状与姿态预测
计算机视觉与模式识别
2018-04-25 v2
摘要
我们提出了一种学习单视图形状与姿态预测的框架,无需对二者使用直接监督。我们的方法允许在训练期间利用来自未知姿态的多视图观测作为监督信号。我们提出的训练设置对来自同一实例两个视图的独立预测形状与姿态之间施加几何一致性。我们由此学习在涌现的规范(与视图无关)坐标系中预测形状,以及相应的姿态预测器。我们使用 ShapeNet 数据集展示了经验与定性结果,并观察到与依赖更强监督形式的先前技术相比具有令人鼓舞的竞争力。我们还展示了我们的框架在现有技技术范围之外的真实设定中的适用性:使用由在线产品图像构成的训练数据集,其中底层形状与姿态未知。
引用
@article{arxiv.1801.03910,
title = {Multi-view Consistency as Supervisory Signal for Learning Shape and Pose Prediction},
author = {Shubham Tulsiani and Alexei A. Efros and Jitendra Malik},
journal= {arXiv preprint arXiv:1801.03910},
year = {2018}
}
备注
Project url with code: https://shubhtuls.github.io/mvcSnP/