SALD：基于导数的符号无关学习
计算机视觉与模式识别
2020-10-06 v2 图形学
机器学习
摘要
直接从原始数据（如点云、三角汤或非定向网格）学习三维几何仍是一项具有挑战性的任务，它支撑着许多下游计算机视觉与图形学应用。本文中，我们引入SALD：一种直接从原始数据学习形状隐式神经表示的方法。我们将符号无关学习（SAL）推广以包含导数：给定输入原始数据的无符号距离函数，我们提倡一种新颖的符号无关回归损失，结合无符号距离函数的逐点值与梯度。优化该损失可得到有符号隐式函数解，其零水平集是对输入三维数据的高质量且有效的流形近似。SALD背后的动机是，在回归损失中纳入导数可降低样本复杂度，从而更好地拟合。此外，我们证明SAL在二维具有最小长度性质，偏好最小长度解。更重要的是，我们能够证明该性质对SALD（即包含导数时）仍然成立。我们在两个具有挑战性的数据集上展示了SALD用于形状空间学习的有效性：包含不一致朝向和非流形网格的ShapeNet，以及包含原始三维扫描（三角汤）的D-Faust。在这两个数据集上，我们均给出了最先进的结果。
引用
@article{arxiv.2006.05400,
title = {SALD: Sign Agnostic Learning with Derivatives},
author = {Matan Atzmon and Yaron Lipman},
journal= {arXiv preprint arXiv:2006.05400},
year = {2020}
}