自监督对偶等高线
计算机视觉与模式识别
2024-05-29 v1
摘要
基于学习的等值面提取方法最近已成为公理方法的一种稳健且高效的替代方案。然而，绝大多数此类方法依赖于使用公理计算的真值进行监督训练，因此可能继承相应公理方法的偏差和数据伪影。为了摆脱这种依赖，我们为神经对偶等高线网格化框架提出了一种自监督训练方案，从而形成了我们的方法：自监督对偶等高线（SDC）。我们不使用监督训练来优化预测的网格顶点，而是使用两种新颖的自监督损失函数，这些函数鼓励生成的网格的距离在直到一阶的范围内保持一致。由SDC重建的网格在捕捉复杂细节方面超越了现有的数据驱动方法，同时对输入中可能的不规则性更具鲁棒性。此外，我们使用相同的自监督训练目标（连接推断出的网格和输入SDF）来正则化深度隐式网络（DIN）的训练过程。我们证明，与针对不同输入模态的先前基线相比，由此产生的DIN能够生成更高质量的隐式函数，最终产生更精确且保留细节的表面。最后，我们证明，我们的自监督损失通过实现预测SDF和最终输出网格的联合训练，提高了单视图重建任务中的网格化性能。我们在https://github.com/Sentient07/SDC开源了我们的代码。
引用
@article{arxiv.2405.18131,
title = {Self-Supervised Dual Contouring},
author = {Ramana Sundararaman and Roman Klokov and Maks Ovsjanikov},
journal= {arXiv preprint arXiv:2405.18131},
year = {2024}
}