RPM-Net：从点云递归预测运动与部件
计算机视觉与模式识别
2020-06-29 v1 图形学
机器学习
摘要
我们提出RPM-Net，一种基于深度学习的方法，它从单个、未分割且可能残缺的3D点云形状中同时推断可动部件并臆想其运动。RPM-Net是一种新颖的递归神经网络（RNN），由编码器-解码器对与交错的长短期记忆（LSTM）组件构成，共同为输入点云预测逐点时序位移序列。同时，这些位移使网络能够学习可动部件，从而产生基于运动的形状分割。对所得部件递归应用RPM-Net可预测更细粒度的部件运动，实现分层对象分割。此外，我们开发了独立的网络，从分割的运动序列中估计部件活动性，例如每部件运动参数。两个网络均从展现多种对象多样活动性的训练集中学习深度预测模型。我们展示了在展现多种部件活动性、可能涉及多个可动部件的3D对象的合成与真实扫描上同时进行运动与部件预测的结果。
引用
@article{arxiv.2006.14865,
title = {RPM-Net: Recurrent Prediction of Motion and Parts from Point Cloud},
author = {Zihao Yan and Ruizhen Hu and Xingguang Yan and Luanmin Chen and Oliver van Kaick and Hao Zhang and Hui Huang},
journal= {arXiv preprint arXiv:2006.14865},
year = {2020}
}
备注
Accepted to SIGGRAPH Asia 2019, project page at https://vcc.tech/research/2019/RPMNet