面向原始点云形状建模与重建的表面自相似性符号无关隐式学习
计算机视觉与模式识别
2021-06-09 v3
摘要
从物体的原始点云进行形状建模与重建是视觉与图形学研究的根本挑战。经典方法考虑解析形状先验；然而，当扫描点偏离干净与完整的理想条件时，其性能下降。近期数据驱动方法取得重要进展，其从辅助训练形状集合中学习隐式表面表示的全局和/或局部模型。受物体整个表面上局部表面块的自相似形状模式重复这一普遍现象启发，我们旨在推进数据驱动策略，并提出学习一个局部隐式表面网络，用于对整体表面进行共享的自适应建模，以直接从原始点云重建表面；我们还通过改善各表面块优化潜码间的相关性来增强对表面自相似性的利用。鉴于原始点的朝向可能不可用或有噪声，我们将符号无关学习扩展到我们的局部隐式模型，使其从未符号化输入中恢复局部表面的有符号隐式场。我们将我们的框架称为表面自相似性符号无关隐式学习（SAIL-S3）。通过局部符号翻转的全局后优化，SAIL-S3 能够直接建模原始、无朝向点云并重建高质量物体表面。实验显示了其相对于现有方法的优越性。
引用
@article{arxiv.2012.07498,
title = {Sign-Agnostic Implicit Learning of Surface Self-Similarities for Shape Modeling and Reconstruction from Raw Point Clouds},
author = {Wenbin Zhao and Jiabao Lei and Yuxin Wen and Jianguo Zhang and Kui Jia},
journal= {arXiv preprint arXiv:2012.07498},
year = {2021}
}