RIM-Net：用于层次化形状结构无监督学习的递归隐式场
计算机视觉与模式识别
2022-03-29 v2
摘要
我们提出 RIM-Net，一种学习递归隐式场以无监督推断层次化形状结构的神经网络。我们的网络将输入三维形状递归地分解为两部分，形成一棵二叉树层次结构。树的每一层对应于形状部件的组合，表示为隐式函数，以重建输入形状。在树的每个节点，由其各自的特征解码器与部件解码器同时执行特征解码与形状分解，并在同一层次级别间共享权重。作为隐式场解码器，部件解码器被设计为通过双向分支重建来分解子形状，其中每个分支预测一组定义高斯分布的参数，以作为形状重建的局部点分布。由于在每一层次计入重建损失、在每个节点计入分解损失，我们的网络训练不需要任何真值分割，更毋论层次结构。通过大量实验及与最先进替代方法的比较，我们展示了 RIM-Net 在层次化结构推断上的质量、一致性与可解释性。
引用
@article{arxiv.2201.12763,
title = {RIM-Net: Recursive Implicit Fields for Unsupervised Learning of Hierarchical Shape Structures},
author = {Chengjie Niu and Manyi Li and Kai Xu and Hao Zhang},
journal= {arXiv preprint arXiv:2201.12763},
year = {2022}
}