SA-ConvONet：卷积占据网络的符号无关优化
计算机视觉与模式识别
2021-08-30 v2
摘要
从点云进行表面重建是计算机视觉与图形学领域的一个基本问题。近期的最先进方法通过在推理阶段单独优化每个局部隐式场来解决该问题。由于未考虑局部场之间的几何关系，它们通常需要精确法向量以避免局部场重叠区域中的符号冲突问题，这严重限制了它们在表面法向量可能不可用的原始扫描数据上的适用性。尽管SAL通过符号无关学习打破了这一限制，但仍需进一步探索如何将该技术扩展至局部形状建模。为此，我们提出通过卷积占据网络的符号无关优化来学习隐式表面重建，以在统一框架中同时实现对大规模场景的高级可扩展性、对新形状的泛化性以及对原始扫描的适用性。具体而言，我们通过一个简单而有效的设计实现该目标，即在推理阶段使用无符号交叉熵损失进一步优化预训练的占据预测网络。占据场的学习以来自沙漏网络架构的卷积特征为条件。在物体级和场景级数据集上与先前最先进方法的广泛实验比较表明，我们的方法在从无朝向点云进行表面重建方面具有更优的精度。代码可在 https://github.com/tangjiapeng/SA-ConvONet 获取。
引用
@article{arxiv.2105.03582,
title = {SA-ConvONet: Sign-Agnostic Optimization of Convolutional Occupancy Networks},
author = {Jiapeng Tang and Jiabao Lei and Dan Xu and Feiying Ma and Kui Jia and Lei Zhang},
journal= {arXiv preprint arXiv:2105.03582},
year = {2021}
}
备注
ICCV2021 Oral Representation; 16 pages; 14 figures; 5 tables