一草概全：单次样本个性化草图分割

我们提出首个单次样本个性化草图分割方法。我们的目标是分割属于同一类别的所有草图，仅需提供一幅带部件标注的草图作为示例，同时（i）保留示例中所嵌入的部件语义，且（ii）对输入风格与抽象程度具有鲁棒性。我们将此场景称为个性化。由此，我们重要地实现了下游细粒度草图分析任务亟需的个性化能力。为训练鲁棒的分割模块，我们将示例草图形变为同一类别的每张可用草图。我们的方法可泛化至训练时未观测到的草图。我们的核心贡献是一个草图专用的分层形变网络。给定通过图卷积网络获得的各级草图笔画编码，我们的方法在上层估计从目标到示例的刚体变换；在下层通过笔画级形变进一步获得从示例到全局扭曲目标草图的更精细形变。两层形变均由无监督学习的关键点间均方距离引导，确保笔画语义得以保留。我们将方法与为单次设定改造的 SOTA 分割与感知分组基线，以及两种少样本 3D 形状分割方法进行比较。结果表明，我们的方法平均以超过 $10\%$ 的优势优于所有替代方案。消融研究进一步证明我们的方法对个性化具有鲁棒性：可应对输入部件语义变化与风格差异。