PR-RRN：用于非刚性运动恢复结构的成对正则化残差递归网络
计算机视觉与模式识别
2021-08-18 v1
摘要
我们提出了 PR-RRN，一种基于神经网络的新型非刚性运动恢复结构（NRSfM）方法。PR-RRN 由残差递归网络（RRN）和两个额外的正则化损失组成。RRN 旨在通过新颖的残差递归结构从 2D 关键点有效恢复 3D 形状和相机。由于 NRSfM 是一个高度欠约束问题，我们提出两种新的成对正则化来进一步约束重建。基于刚度的成对对比损失通过鼓励高刚度帧对表示之间的相似度高于低刚度帧对表示来正则化形状表示。我们提出最小奇异值比来衡量成对刚度。成对一致性损失在估计的形状和相机在帧对之间交换时强制重建保持一致。我们的方法在 CMU MOCAP 和 PASCAL3D+ 数据集上取得了最先进的性能。
引用
@article{arxiv.2108.07506,
title = {PR-RRN: Pairwise-Regularized Residual-Recursive Networks for Non-rigid Structure-from-Motion},
author = {Haitian Zeng and Yuchao Dai and Xin Yu and Xiaohan Wang and Yi Yang},
journal= {arXiv preprint arXiv:2108.07506},
year = {2021}
}
备注
Accepted to ICCV 2021