关于基于学习的3D重建的泛化能力
计算机视觉与模式识别
2020-06-30 v1
摘要
最先进的基于学习的单目3D重建方法在训练集上学习物体类别的先验，因此难以对训练期间未见的物体类别实现合理的泛化。在本文中，我们研究模型架构中编码的、影响基于学习的3D重建方法泛化的归纳偏置。我们发现三种归纳偏置影响性能：编码器的空间范围、使用场景底层几何来描述点特征，以及从多视图聚合信息的机制。此外，我们提出强化这些归纳偏置的机制：一种感知相机位置的点表示，以及跨视图聚合信息的方差代价。我们的模型在各种设置下于标准 ShapeNet 3D 重建基准上取得了最先进的结果。
引用
@article{arxiv.2006.15427,
title = {On the generalization of learning-based 3D reconstruction},
author = {Miguel Angel Bautista and Walter Talbott and Shuangfei Zhai and Nitish Srivastava and Joshua M Susskind},
journal= {arXiv preprint arXiv:2006.15427},
year = {2020}
}