PARIS：面向关节物体的部件级重建与运动分析
计算机视觉与模式识别
2023-08-16 v1 人工智能
图形学
摘要
我们致力于解决关节物体的部件级同步重建与运动参数估计任务。给定某物体处于两个静态关节状态下的两组多视角图像，我们将可动部件与静态部件解耦，并在预测运动参数的同时重建形状与外观。为应对该问题，我们提出 PARIS：一种自监督端到端架构，其在无任何 3D 监督、运动或语义标注的情况下，联合学习部件级隐式形状与外观模型并优化运动参数。实验表明，我们的方法在物体类别间具有更好的泛化能力，且优于以 3D 点云为输入的基线方法与已有工作。相较最先进基线，我们的方法将重建效果提升，物体与部件的 Chamfer-L1 距离分别降低 3.94（45.2%）与 26.79（84.5%），并在 10 个物体类别上实现 5% 的运动估计错误率。视频摘要见：https://youtu.be/tDSrROPCgUc
引用
@article{arxiv.2308.07391,
title = {PARIS: Part-level Reconstruction and Motion Analysis for Articulated Objects},
author = {Jiayi Liu and Ali Mahdavi-Amiri and Manolis Savva},
journal= {arXiv preprint arXiv:2308.07391},
year = {2023}
}
备注
Presented at ICCV 2023. Project website: https://3dlg-hcvc.github.io/paris/