ROAD：学习隐式递归八叉树自解码器以高效编码三维形状
计算机视觉与模式识别
2022-12-14 v1 图形学
机器人学
摘要
三维形状的紧凑且精确的表示对许多感知与机器人任务至关重要。最先进的基于学习的方法可以重建单个物体，但扩展到大型数据集时表现不佳。我们提出了一种新颖的递归隐式表示，通过在潜空间递归遍历隐式八叉树，高效且精确地编码大型复杂三维形状数据集。我们的隐式递归八叉树自解码器（ROAD）学习了一个层次化结构的潜空间，以高于 99% 的压缩率实现了最先进的重建结果。我们还提出了一种高效的课程学习方案，天然利用了底层八叉树空间表示的由粗到细特性。我们探索了潜空间维度、数据集规模与重建精度之间的缩放律，表明增大潜空间维度足以扩展到大型形状数据集。最后，我们展示了所学潜空间编码了由粗到细的层次结构，在不同细节层级上产生可复用的潜变量，并提供了对训练集外新颖形状泛化的定性证据。
引用
@article{arxiv.2212.06193,
title = {ROAD: Learning an Implicit Recursive Octree Auto-Decoder to Efficiently Encode 3D Shapes},
author = {Sergey Zakharov and Rares Ambrus and Katherine Liu and Adrien Gaidon},
journal= {arXiv preprint arXiv:2212.06193},
year = {2022}
}
备注
Accepted to Conference on Robot Learning (CoRL), 2022