基于条件生成对抗网络的多模态形状补全
计算机视觉与模式识别
2020-07-09 v3
摘要
已有若干深度学习方法被提出用于补全形状采集装置得到的残缺数据，即填充形状中缺失的区域。然而，这些方法仅以单一输出补全部分形状，忽略了在推断缺失几何时的歧义性。因此，我们提出一个多模态形状补全问题，旨在通过学到一个一对多映射，以多个输出补全部分形状。我们开发了首个通过条件生成建模补全部分形状的多模态形状补全方法，且不需要成对训练数据。我们的方法通过以学得的 Possible 结果的多模态分布为条件来提炼歧义。我们在包含不同形式形状不完整性的多个数据集上广泛评估了该方法，并从定性与定量上同若干基线方法及我们的方法变体进行比较，展示了我们的方法在补全部分形状时兼具多样性与质量方面的优势。
引用
@article{arxiv.2003.07717,
title = {Multimodal Shape Completion via Conditional Generative Adversarial Networks},
author = {Rundi Wu and Xuelin Chen and Yixin Zhuang and Baoquan Chen},
journal= {arXiv preprint arXiv:2003.07717},
year = {2020}
}
备注
Accepted to ECCV 2020 (spotlight). Project page at https://chriswu1997.github.io/files/multimodal-pc/index.html