SimNP：在神经点之间学习自相似性先验
计算机视觉与模式识别
2024-07-16 v2
摘要
现有的用于 3D 物体重建的神经场表示要么（1）利用物体级表示，但因以全局潜码为条件而遭受低质量细节问题，要么（2）能够完美重建观测结果，但无法利用物体级先验知识推断未观测区域。我们提出 SimNP，一种学习类别级自相似性的方法，它通过连接神经点辐射场与类别级自相似性表示，结合了两者的优势。我们的贡献有两方面。（1）我们利用相干点云的概念，设计了首个类别级神经点表示。所得的神经点辐射场为局部支持的物体区域存储了高水平细节。（2）我们以无约束和无监督的方式学习神经点之间如何共享信息，这允许在重建过程中从给定观测推导物体的未观测区域。我们表明，SimNP 在重建对称未见物体区域方面能够超越先前方法，超越了基于类别级或像素对齐辐射场的方法，同时提供实例间的语义对应。
引用
@article{arxiv.2309.03809,
title = {SimNP: Learning Self-Similarity Priors Between Neural Points},
author = {Christopher Wewer and Eddy Ilg and Bernt Schiele and Jan Eric Lenssen},
journal= {arXiv preprint arXiv:2309.03809},
year = {2024}
}
备注
ICCV 2023