基于原型形状先验的半监督单视图三维重建
计算机视觉与模式识别
2022-10-03 v1
摘要
现有单视图三维重建方法的性能严重依赖于大规模三维标注。然而，此类标注的收集繁琐且昂贵。半监督学习作为缓解对手动标签需求的替代方案，在三维重建中仍未被探索。受近期半监督图像分类任务成功的启发，我们提出 SSP3D，一种用于三维重建的半监督框架。具体而言，我们引入了一种注意力引导的原型形状先验模块，以引导真实感物体重建。我们进一步引入了一种判别器引导的模块以激励更好的形状生成，以及一种正则化项以容忍含噪训练样本。在 ShapeNet 基准上，所提方法在各种标注比例（即 1%、5%、10% 和 20%）下均以明显优势超越先前的监督方法。此外，在 10% 标注比例下迁移至真实世界 Pix3D 数据集时，我们的方法同样表现良好。我们还展示了我们的方法能以少量新类别监督数据迁移至新类别。在流行 ShapeNet 数据集上的实验表明，我们的方法以超过 12% 的优势超越零样本基线，我们也进行了严谨的消融与分析以验证我们的方法。
引用
@article{arxiv.2209.15383,
title = {Semi-Supervised Single-View 3D Reconstruction via Prototype Shape Priors},
author = {Zhen Xing and Hengduo Li and Zuxuan Wu and Yu-Gang Jiang},
journal= {arXiv preprint arXiv:2209.15383},
year = {2022}
}
备注
Accepeted by ECCV2022