NeRD：神经3D反射对称检测器
计算机视觉与模式识别
2021-05-10 v1
摘要
近期进展表明，对称这一大多数物体所具有的结构先验，可支持多种单视图3D理解任务。然而，从图像中检测3D对称性仍是一项具有挑战性的任务。先前工作要么假设对称性已知，要么用基于启发式的方法检测对称性。本文提出NeRD，一种神经3D反射对称检测器，它结合了基于学习的识别与基于几何的重建的优势，以准确恢复物体镜面的法向。具体而言，我们首先以由粗到精的策略枚举对称平面，然后通过构建3D代价体来检查图像内由对称性产生的像素对应，从而找出最佳对称平面。实验表明，在合成与真实世界数据集上，用我们的方法检测到的对称平面均显著优于直接CNN回归所得的平面。我们还展示了检测到的对称性可用于提升下游任务（如姿态估计与深度图回归）的性能。本文代码已公开于 https://github.com/zhou13/nerd。
引用
@article{arxiv.2105.03211,
title = {NeRD: Neural 3D Reflection Symmetry Detector},
author = {Yichao Zhou and Shichen Liu and Yi Ma},
journal= {arXiv preprint arXiv:2105.03211},
year = {2021}
}
备注
CVPR 2021. overlaps with arXiv:2006.10042