SilNet：通过从轮廓中学习实现单视图与多视图重建
计算机视觉与模式识别
2017-11-22 v1
摘要
本文的目标是从单张及多张图像理解三维形状。为此，我们引入了一种新的深度学习架构与损失函数SilNet，其能以顺序无关的方式处理多视图。该架构为全卷积结构，在训练中我们使用轮廓预测的代理任务，而非像近期多数工作那样直接学习从二维图像到三维形状的映射。我们证明SilNet架构在视图数量上具有泛化能力——例如，在2视图上训练的SilNet可在测试时用于3或4视图；且性能随视图增多而提升。我们引入了两个新的合成数据集：一个适用于预训练的块状物体数据集，以及一个具有挑战性且逼真的雕塑数据集；并在这些数据集上证明SilNet确实学到了三维形状。最后，我们展示SilNet在ShapeNet基准数据集上超越了SOTA，并利用SilNet生成雕塑数据集的新视角。
引用
@article{arxiv.1711.07888,
title = {SilNet : Single- and Multi-View Reconstruction by Learning from Silhouettes},
author = {Olivia Wiles and Andrew Zisserman},
journal= {arXiv preprint arXiv:1711.07888},
year = {2017}
}
备注
BMVC 2017; Best Poster