SDF-SRN：从静态图像学习有符号距离的三维物体重建
计算机视觉与模式识别
2020-10-21 v1 人工智能
机器学习
摘要
从单幅图像进行稠密三维物体重建近来取得了显著进展，但使用真实三维形状监督神经网络因创建配对图像-形状数据集的过程繁琐而不切实际。近期研究转向从带有标注二维轮廓的 RGB 图像中学习无三维监督的三维重建，大幅降低了标注的成本与工作量。然而，这些技术仍不实用，因为它们在训练时仍需要同一物体实例的多视图标注。因此，迄今为止大多数实验工作仅限于合成数据集。本文中，我们解决该问题并提出 SDF-SRN，一种训练时仅需物体单视图的方法，为真实场景提供了更大实用性。SDF-SRN 学习隐式三维形状表示以处理数据集中可能存在的任意形状拓扑。为此，我们推导了一种新颖的可微渲染公式，用于从二维轮廓学习有符号距离函数（SDF）。在合成与真实数据集上具有挑战性的单视图监督设定下，我们的方法均优于当前最先进水平。
引用
@article{arxiv.2010.10505,
title = {SDF-SRN: Learning Signed Distance 3D Object Reconstruction from Static Images},
author = {Chen-Hsuan Lin and Chaoyang Wang and Simon Lucey},
journal= {arXiv preprint arXiv:2010.10505},
year = {2020}
}
备注
Accepted to NeurIPS 2020. Project page & code: https://chenhsuanlin.bitbucket.io/signed-distance-SRN/