SSRNet：可扩展的三维表面重建网络
计算机视觉与模式识别
2020-04-15 v2
摘要
现有的从点云出发的基于学习的表面重建方法在可扩展性和大规模点云细节保持方面仍面临挑战。本文中，我们提出 SSRNet，一种新颖的基于学习的可扩展表面重建方法。所提出的 SSRNet 为八叉树顶点构建局部几何感知特征，并设计了一个可扩展的重建流程，不仅大大提升了顶点与隐式表面之间相对位置的预测精度从而改善表面重建质量，还允许划分点云与八叉树顶点并并行处理不同部分，以在具有数百万点的大规模点云上实现优越的可扩展性。此外，SSRNet 展现出出色的泛化能力，且仅需少量表面数据用于训练，远少于其他基于学习的重建方法，可有效避免过拟合。SSRNet 在一个数据集上训练得到的模型可直接用于其他数据集且性能优越。最后，SSRNet 在大规模点云上的时间消耗是可接受且具有竞争力的。据我们所知，所提出的 SSRNet 首个真正为基于学习的表面重建方法的可扩展性问题带来了令人信服的解决方案，并使基于学习的方法在真实且具挑战性的数据上相对于几何处理方法具备竞争力的重要一步。实验表明，与最先进的基于学习的方法相比，我们的方法在可扩展性和质量上取得了突破。
引用
@article{arxiv.1911.07401,
title = {SSRNet: Scalable 3D Surface Reconstruction Network},
author = {Zhenxing Mi and Yiming Luo and Wenbing Tao},
journal= {arXiv preprint arXiv:1911.07401},
year = {2020}
}
备注
Accepted by CVPR2020, typos corrected, references added, images revised