SSR：用于单视图二维到三维重建的半监督软光栅化器
计算机视觉与模式识别
2021-08-24 v1
摘要
近期工作在弱监督学习物体网格方面取得了显著进展。软光栅化方法仅利用视角监督便能从二维图像实现精确的三维重建。在本工作中，我们进一步通过允许此类三维重建方法利用无标签图像来减少标注工作量。为获取这些无标签图像的视角，我们提出使用一种孪生网络，以两幅图像为输入并输出它们是否对应同一视角。训练期间，我们最小化交叉熵损失以最大化预测一对图像是否属于同一视角的概率。为得到新图像的视角，我们将其与从训练样本获得的不同视角进行比较，并选择匹配概率最高的视角。我们最终以最置信的预测视角标注无标签图像，并训练一个带有可微光栅化层的深度网络。我们的实验表明，即便仅标注两个物体，在利用无标签样本时ShapeNet的IoU也得到显著提升。代码见 https://github.com/IssamLaradji/SSR。
引用
@article{arxiv.2108.09593,
title = {SSR: Semi-supervised Soft Rasterizer for single-view 2D to 3D Reconstruction},
author = {Issam Laradji and Pau Rodríguez and David Vazquez and Derek Nowrouzezahrai},
journal= {arXiv preprint arXiv:2108.09593},
year = {2021}
}