OctNetFusion：从数据中学习深度融合
计算机视觉与模式识别
2017-11-02 v3
摘要
在本文中，我们提出了一种基于学习的深度融合方法，即从多幅深度图像进行密集三维重建。最常见的深度融合方法基于截断符号距离函数的平均，该方法最初由 Curless 和 Levoy 于 1996 年提出。虽然该方法简单且效果出色，但它无法重建（部分）遮挡表面，并且需要大量帧来滤除传感器噪声和离群点。受大规模三维模型库的可用性和深度学习最新进展的启发，我们提出了一种新颖的三维 CNN 架构，该架构学习从输入深度图预测隐式表面表示。我们的基于学习的方法在降噪和离群点抑制方面显著优于传统的体素融合方法。通过学习真实世界三维物体和场景的结构，我们的方法还能进一步重建遮挡区域并填补重建中的空白。我们证明，在体素融合任务中，我们基于学习的方法优于原始 TSDF 融合和 TV-L1 融合。此外，我们展示了最先进的三维形状补全结果。
引用
@article{arxiv.1704.01047,
title = {OctNetFusion: Learning Depth Fusion from Data},
author = {Gernot Riegler and Ali Osman Ulusoy and Horst Bischof and Andreas Geiger},
journal= {arXiv preprint arXiv:1704.01047},
year = {2017}
}
备注
3DV 2017, https://github.com/griegler/octnetfusion