利用深度学习从距离图像恢复超二次曲面：一项初步研究
计算机视觉与模式识别
2020-07-29 v3
摘要
在计算机视觉中，用参数化体积模型描述三维物理空间，以使自主机器理解并与环境交互，是一个长期目标。此类模型通常受人类视觉感知启发，旨在用少量参数表示物理世界从单个物体到复杂场景的所有元素。解决该问题的实际事实标准之一是超二次曲面——定义各种三维形状基元并可拟合到实际三维数据（点云或距离图像形式）的体积模型。然而，现有的超二次曲面恢复方案涉及代价高昂的迭代拟合过程，限制了这类技术在实际中的应用。为缓解该问题，本文探索使用现代深度学习模型（更具体地，卷积神经网络（CNNs））从距离图像恢复超二次曲面，而无需耗时的迭代参数估计技术。我们将超二次曲面恢复问题视为回归任务，并开发了一个 CNN 回归器，能从给定距离图像估计超二次曲面模型的参数。我们在大量合成距离图像上训练该回归器，每个图像含单个（未旋转）超二次曲面形状，并在与当前最优方法的对比实验中评估所学模型。此外，我们还给出了涉及真实世界物体数据集的定性分析。实验结果表明，所提回归器不仅优于现有最优方法，还确保了 270 倍的更快执行时间。
引用
@article{arxiv.1904.06585,
title = {Recovery of Superquadrics from Range Images using Deep Learning: A Preliminary Study},
author = {Tim Oblak and Klemen Grm and Aleš Jaklič and Peter Peer and Vitomir Štruc and Franc Solina},
journal= {arXiv preprint arXiv:1904.06585},
year = {2020}
}