空间不变的无监督 3D 物体中心学习与场景分解
计算机视觉与模式识别
2022-07-19 v3
摘要
我们解决点云上物体中心学习的问题，这对高级关系推理与可扩展机器智能至关重要。具体而言，我们引入一个框架 SPAIR3D，将 3D 点云分解为空间混合模型，其中每个分量对应一个物体。为在点云上建模空间混合模型，我们推导了 Chamfer 混合损失（Chamfer Mixture Loss），其自然地契合我们的变分训练流程。此外，我们采用一种物体规范方案，描述每个物体相对于其局部体素网格单元的位置。该方案使 SPAIR3D 能够建模具有任意数量物体的场景。我们在无监督场景分解任务上评估了我们的方法。实验结果表明，SPAIR3D 具有强可扩展性，并能够以无监督方式从点云中检测并分割未知数量的物体。
引用
@article{arxiv.2106.05607,
title = {Spatially Invariant Unsupervised 3D Object-Centric Learning and Scene Decomposition},
author = {Tianyu Wang and Miaomiao Liu and Kee Siong Ng},
journal= {arXiv preprint arXiv:2106.05607},
year = {2022}
}