神经形状拼接：基于对抗形状先验的自监督物体组装
计算机视觉与模式识别
2022-05-31 v1 图形学
机器学习
机器人学
摘要
学习自主组装形状是许多机器人应用中的关键技能。虽然现有大多数部件组装方法侧重于正确摆放语义部件以重建完整物体，但我们更字面地理解组装：将几何部件拼接在一起以实现紧密贴合。通过关注形状对齐而非语义线索，我们可以实现跨类别泛化。本文中，我们引入了一项新任务——成对三维几何形状拼接，并提出了神经形状拼接（NSM）来解决该问题。给定未知类别的两个物体部件的点云，NSM 学习推断两部件的贴合情况并预测使它们紧密拼接的一对三维位姿。我们将 NSM 的训练与隐式形状重建任务相耦合，以使 NSM 对不完美的点云观测更鲁棒。为训练 NSM，我们提出了一种自监督数据收集流程，通过随机将物体网格切成两部分来生成带真实值的成对形状拼接数据，从而得到由来自众多物体网格、具有多样切割类型的 20 万对形状拼接数据组成的数据集。我们在收集的数据集上训练 NSM，并将其与几种点云配准方法和一种部件组装基线进行比较。在各种设置下的广泛实验结果和消融研究证明了所提算法的有效性。补充材料见：https://neural-shape-mating.github.io/
引用
@article{arxiv.2205.14886,
title = {Neural Shape Mating: Self-Supervised Object Assembly with Adversarial Shape Priors},
author = {Yun-Chun Chen and Haoda Li and Dylan Turpin and Alec Jacobson and Animesh Garg},
journal= {arXiv preprint arXiv:2205.14886},
year = {2022}
}
备注
CVPR 2022