基于多形状先验融合策略和自注意力的单视图三维重建半监督方法
计算机视觉与模式识别
2024-11-26 v1
摘要
在单视图三维重建领域，传统技术常依赖昂贵且耗时的3D标注数据。面对标注获取的挑战，半监督学习策略提供了一种创新的降低对标注数据依赖的方法。尽管如此，该学习范例在三维重建任务中的应用仍相对有限。本研究创建了一个创新的半监督三维重建框架，独特地引入了多形状先验融合策略，以引导创建更真实的对象结构。此外，为提高生成形状的质量，我们将自注意力模块集成到传统解码器中。在ShapeNet数据集上的基准测试中，我们的方法在1%、10%和20%的不同标注比例下均显著优于现有的监督学习方法。此外，它在真实世界的Pix3D数据集上也表现出色。通过在ShapeNet上的全面实验，我们的框架比基线方法提高了3.3%的性能。更严格的消融研究进一步确认了我们方法的显著有效性。我们的代码已发布在https://github.com/NWUzhouwei/SSMP上。
引用
@article{arxiv.2411.15420,
title = {Semi-supervised Single-view 3D Reconstruction via Multi Shape Prior Fusion Strategy and Self-Attention},
author = {Wei Zhoua and Xinzhe Shia and Yunfeng Shea and Kunlong Liua and Yongqin Zhanga},
journal= {arXiv preprint arXiv:2411.15420},
year = {2024}
}