用于无监督曲面配准的循环多视图对齐网络
计算机视觉与模式识别
2021-04-14 v2 图形学
摘要
以端到端方式学习非刚性配准具有挑战性，原因在于其固有的高自由度以及缺乏带标签的训练数据。在本文中，我们同时解决这两个挑战。首先，我们提出以若干刚性变换的点级组合来表示非刚性变换。该表示不仅使解空间受到良好约束，还使我们的方法能够以循环框架迭代求解，大幅降低了学习难度。其次，我们引入了一种可微损失函数，用于在投影的多视图二维深度图像上度量三维形状相似度，从而使我们的完整框架可在无真实值监督下端到端训练。在多个不同数据集上的大量实验表明，我们提出的方法大幅优于先前的最先进技术（SOTA）。源代码见 https://github.com/WanquanF/RMA-Net。
引用
@article{arxiv.2011.12104,
title = {Recurrent Multi-view Alignment Network for Unsupervised Surface Registration},
author = {Wanquan Feng and Juyong Zhang and Hongrui Cai and Haofei Xu and Junhui Hou and Hujun Bao},
journal= {arXiv preprint arXiv:2011.12104},
year = {2021}
}
备注
Accepted to CVPR2021. The source codes are available at https://github.com/WanquanF/RMA-Net