神经三维可变形模型：用于三维形状表示学习与生成的螺旋卷积网络
计算机视觉与模式识别
2023-09-26 v3 人工智能
图形学
机器学习
摘要
三维几何数据的生成模型在三维计算机视觉与图形学的许多重要应用中出现。本文关注共享共同拓扑结构的三维可变形形状，如人脸与人体。可变形模型（Morphable Models）及其变体尽管采用线性形式，已被广泛用于形状表示，而近期提出的多数非线性方法求助于中间表示，如三维体素网格或二维视图。本工作中，我们引入一种直接作用于三维网格的新型图卷积算子，显式建模固定底层图的归纳偏置。这通过螺旋算子（spiral operator）强制图中顶点的一致局部排序来实现，从而打破了此前所有图神经网络工作所采用的排列不变性。我们的算子按构造具备理想性质（各向异性、拓扑感知、轻量、易优化），并将其作为传统深度生成架构的构建块，我们在多种三维形状数据集上相较线性可变形模型及其他图卷积算子展示了最先进（state-of-the-art）结果。
引用
@article{arxiv.1905.02876,
title = {Neural 3D Morphable Models: Spiral Convolutional Networks for 3D Shape Representation Learning and Generation},
author = {Giorgos Bouritsas and Sergiy Bokhnyak and Stylianos Ploumpis and Michael Bronstein and Stefanos Zafeiriou},
journal= {arXiv preprint arXiv:1905.02876},
year = {2023}
}
备注
to appear at ICCV 2019