RGBD-GAN：基于RGBD图像合成从无标注自然图像数据集进行无监督三维表示学习
计算机视觉与模式识别
2020-05-26 v2
摘要
在不使用任何标注信息的情况下从二维（2D）图像理解三维（3D）几何结构，有望在不产生标注成本的前提下理解真实世界。本文提出一种新颖的生成模型RGBD-GAN，可从2D图像实现无监督3D表示学习。所提方法能够在无任何3D标注（如相机位姿或深度）的情况下实现相机参数条件图像生成与深度图像生成。除常规的GAN目标外，我们对由不同相机参数生成的两张RGBD图像使用显式的3D一致性损失。该损失简单而有效，可使任意类型的图像生成器（如DCGAN和StyleGAN）以相机参数为条件。通过实验，我们证明了所提方法可利用多种生成器架构从2D图像学习3D表示。
引用
@article{arxiv.1909.12573,
title = {RGBD-GAN: Unsupervised 3D Representation Learning From Natural Image Datasets via RGBD Image Synthesis},
author = {Atsuhiro Noguchi and Tatsuya Harada},
journal= {arXiv preprint arXiv:1909.12573},
year = {2020}
}
备注
21 pages, ICLR2020