平面 vs. 椅子：无任何三维线索的类别引导三维形状学习
计算机视觉与模式识别
2022-04-22 v1
摘要
我们提出一种新颖的三维形状重建方法，其学习从单张 RGB 图像预测隐式三维形状表示。我们的方法使用多类物体的单视图图像（无视角标注），迫使模型在无需三维监督的情况下跨多个物体类别学习。为便于在此极少监督下学习，我们使用类别标签以一种新的类别度量学习方法引导形状学习。我们还利用对抗与视角正则化技术进一步解耦视角与形状的影响。我们取得了首个使用单一模型、无任何三维线索的大规模（超过 50 类）单视图形状预测结果。我们也首次检验并量化了类别信息在单视图监督三维形状重建中的益处。我们的方法在 ShapeNet-13、ShapeNet-55 与 Pascal3D+ 上取得了优于最先进方法的性能。
引用
@article{arxiv.2204.10235,
title = {Planes vs. Chairs: Category-guided 3D shape learning without any 3D cues},
author = {Zixuan Huang and Stefan Stojanov and Anh Thai and Varun Jampani and James M. Rehg},
journal= {arXiv preprint arXiv:2204.10235},
year = {2022}
}
备注
Project page: https://zixuanh.com/multiclass3D