用于高分辨率 3D 物体表示的多视图轮廓与深度分解

我们考虑将深度生成形状模型扩展到高分辨率的问题。受物体规范视图表示的启发，我们引入一种新方法，通过对六个正交深度投影进行超分辨率处理的网络，在体素空间中对 3D 物体进行快速上采样。这使得我们相比直接在 3D 中工作的方法能以更高效的缩放生成高分辨率物体。我们将 2D 深度超分辨率问题分解为轮廓与深度预测，以同时捕捉结构与精细细节。这使得我们的方法比单一网络更容易生成锐利边缘。我们在多个关于高分辨率 3D 物体的实验上评估了我们的工作，并展示我们的系统能够准确预测分辨率高达 512$\mathbf{\times}$512$\mathbf{\times}$512 的新物体——这是该任务报道的最高分辨率。我们在 ShapeNet 数据集上从 RGB 图像进行 3D 物体重建取得了最先进的性能，并进一步展示了首个有效的 3D 超分辨率方法。