利用学习的纹理扰动恢复几何信息
计算机视觉与模式识别
2020-01-22 v1
摘要
正则化用于在训练神经网络时避免过拟合；不幸的是，这降低了可获得的细节水平，阻碍了捕捉训练数据中存在的低频信息的能力。尽管可使用各种方法重新引入高频细节，但其通常不与训练数据匹配且往往时间上不连贯。在网络推断的布料情况下，这些现象表现为要么缺乏细致皱纹，要么出现不自然和/或时间不连贯的替代皱纹。因此，我们提出一种通用策略，将高频信息程序化地嵌入低频数据中，使得当后者被网络涂抹时前者仍保留其高频细节。我们通过学习纹理坐标来说明该方法，当这些坐标被涂抹时不会进而涂抹掉纹理本身中的高频细节，而只是平滑地扭曲它。值得注意的是，我们指定扰动的纹理坐标，随后用于修正推断布料的过度平滑外观，并且从多个相机视角修正外观自然地恢复了丢失的几何信息。
引用
@article{arxiv.2001.07253,
title = {Recovering Geometric Information with Learned Texture Perturbations},
author = {Jane Wu and Yongxu Jin and Zhenglin Geng and Hui Zhou and Ronald Fedkiw},
journal= {arXiv preprint arXiv:2001.07253},
year = {2020}
}