基于3D编码器-预测器CNN与形状合成的形状补全
计算机视觉与模式识别
2017-04-13 v2
摘要
我们提出一种数据驱动的方法，通过体素深度神经网络与三维形状合成来完成部分扫描的三维形状。从部分扫描的输入形状出发，我们的方法首先推断出一个低分辨率但完整的输出。为此，我们引入了由三维卷积层组成的3D编码器-预测器网络（3D-EPN）。该网络经过训练以预测并填补缺失数据，并在编码已知与未知空间的隐式表面表示上操作。这使得我们能在未知区域以高精度预测全局结构。随后，在测试时我们将这些中间结果与形状数据库中的三维几何进行关联。在最后一步，我们提出一种基于块的三维形状合成方法，将从这些检索到的形状得到的三维几何作为约束施加于粗补全的网格上。该合成过程使我们能够重建精细细节并生成高分辨率输出，同时尊重3D-EPN获得的全局网格结构。尽管我们的3D-EPN优于当前最优(SOTA)补全方法，但本工作的主要贡献在于将数据驱动的形状预测器与分析式三维形状合成相结合。在结果中，我们展示了在新引入的形状补全基准上针对真实与合成数据的广泛评估。
引用
@article{arxiv.1612.00101,
title = {Shape Completion using 3D-Encoder-Predictor CNNs and Shape Synthesis},
author = {Angela Dai and Charles Ruizhongtai Qi and Matthias Nießner},
journal= {arXiv preprint arXiv:1612.00101},
year = {2017}
}