Pix2Point：利用稀疏点云与最优传输学习室外三维
计算机视觉与模式识别
2021-08-02 v1
摘要
对场景的良好重建与理解依赖于三维估计方法。三维信息通常经由立体摄影测量从图像中获取，但深度学习近期在单目深度估计上给出了优异结果。构建足够大且丰富的训练数据集以取得这些结果需要繁重的处理。本文中，我们研究利用稀疏真值数据集从单目数据学习室外三维点云的问题。我们提出 Pix2Point，一种基于深度学习的单目三维点云预测方法，能够处理完整且具有挑战性的室外场景。我们的方法依赖于一种 2D-3D 混合神经网络架构，以及点云间最优传输散度的有监督端到端最小化。我们表明，当在稀疏点云上训练时，我们这种简单而有前景的方法比高效的单目深度方法实现了更好的室外三维场景覆盖。
引用
@article{arxiv.2107.14498,
title = {Pix2Point: Learning Outdoor 3D Using Sparse Point Clouds and Optimal Transport},
author = {Rémy Leroy and Pauline Trouvé-Peloux and Frédéric Champagnat and Bertrand Le Saux and Marcela Carvalho},
journal= {arXiv preprint arXiv:2107.14498},
year = {2021}
}
备注
5 pages, 2 figures, to be published in 2021 International Conference on Machine Vision Applications