基于草图的卷积神经网络3D形状检索

从2D人类草图检索3D模型在图形学、图像检索和计算机视觉领域受到了相当多的关注。在现有最优方法中，几乎总是为3D模型计算大量“最佳视图”，希望查询草图能利用预定义特征匹配这些3D模型的2D投影之一。我们认为这种两阶段方法（视图选择——匹配）虽务实但存在问题，因为“最佳视图”是主观且模糊的，这使得匹配输入不明确。这种不匹配的精确性进一步使得手动选择特征具有挑战性。我们提议不依赖难以捉摸的“最佳视图”概念和手工制作特征，而是采用极简主义方法定义视图，并为草图和视图学习特征。具体而言，我们将视图数量急剧减少到整个数据集仅两个预定义方向。然后，我们学习两个孪生卷积神经网络（CNNs），一个用于视图，一个用于草图。损失函数定义于域内以及跨域相似性上。我们在三个基准数据集上的实验表明，我们的方法显著优于现有最优方法，并在所有常规指标上超越它们。