用于构造实体几何的神经形状解析器
计算机视觉与模式识别
2019-12-25 v1
摘要
构造实体几何（CSG）是一种几何建模技术，通过对球体、圆柱体等基元递归地施加布尔运算来定义复杂形状。我们提出 CSGNe，一种以 2D 或 3D 形状为输入并输出建模该形状的 CSG 程序的深度网络架构。将形状解析为 CSG 程序是理想的，因为它产生紧凑且可解释的 generative model（生成模型）。然而，该任务具有挑战性，因为基元及其组合的空间可能极其庞大。CSGNe 使用基于深度网络的卷积编码器和循环解码器，以前馈方式将形状映射为建模指令，并且比自底向上方法显著更快。我们研究了用于该任务的两种架构——一个普通的编码器（CNN）-解码器（RNN），以及另一种用基于程序执行栈的显式记忆模块增强编码器的架构。栈增强提升了生成形状的重建质量和学习效率。与最先进的 object detector（目标检测器）相比，我们的方法作为形状基元检测器也更有效。最后，我们证明 CSGNet 可通过 policy gradient（策略梯度）技术在没有程序标注的新数据集上训练。
引用
@article{arxiv.1912.11393,
title = {Neural Shape Parsers for Constructive Solid Geometry},
author = {Gopal Sharma and Rishabh Goyal and Difan Liu and Evangelos Kalogerakis and Subhransu Maji},
journal= {arXiv preprint arXiv:1912.11393},
year = {2019}
}
备注
arXiv admin note: substantial text overlap with arXiv:1712.08290