用可调非参数模型鲁棒化可泛化隐式形状网络

从前向传播、可泛化的从无向点云进行隐式形状重建的模型具有多项优势，包括高性能和推理速度。然而，它们仍受泛化问题困扰，包括欠拟合输入点云、错误表示训练数据分布之外或训练时未见拓扑的样本。我们在此提出一种在测试时补救其中部分局限的高效机制。我们将网络的形状间数据先验与 Nystr"om 核岭回归（Kernel Ridge Regression）的形状内正则化先验相结合，并通过将其超参数拟合到当前形状来进一步适配。所得到的在形状特定再生核希尔伯特空间（Reproducing Kernel Hilbert Space）中定义的形状函数，具备理想的稳定性与效率特性，并赋予形状自适应的表达能力-鲁棒性权衡。我们使用合成与真实数据，针对基线及最先进方法展示了我们方法所获得的改进。