Neural Parts：利用可逆神经网络学习富有表现力的三维形状抽象
计算机视觉与模式识别
2021-03-19 v1
摘要
三维形状提取方面的显著进展催生了能够高保真捕捉物体几何的表示。与此同时，基于基元的方法试图将物体表示为语义一致的部分排列。然而，由于现有基元表示的简单性，这些方法无法使用少量基元/部分准确重建三维形状。我们通过 Neural Parts 解决重建质量与部分数量之间的权衡，这是一种新颖的三维基元表示，使用可逆神经网络（INN）定义基元，该网络实现球体与目标物体之间的同胚映射。INN 允许我们计算同胚的逆映射，进而无需任何额外后处理即可高效计算基元的隐式曲面函数及其网格。我们的模型在没有任何部分级监督的情况下学习将三维物体解析为语义一致的部分排列。在 ShapeNet、D-FAUST 和 FreiHAND 上的评估表明，我们的基元能够捕捉复杂几何，从而同时使用比最先进形状抽象方法少一个数量级的基元实现几何准确且可解释的重建。
引用
@article{arxiv.2103.10429,
title = {Neural Parts: Learning Expressive 3D Shape Abstractions with Invertible Neural Networks},
author = {Despoina Paschalidou and Angelos Katharopoulos and Andreas Geiger and Sanja Fidler},
journal= {arXiv preprint arXiv:2103.10429},
year = {2021}
}
备注
To appear in CVPR 2021