重访超二次曲面：学习超越长方体的三维形状解析
计算机视觉与模式识别
2019-04-23 v1
摘要
用简约的基于部件的表示来抽象复杂三维形状一直是计算机视觉中的长期目标。本文提出一种基于学习的解决方案，通过利用超二次曲面作为原子元素，超越了传统的三维长方体表示。我们证明超二次曲面可得到更具表现力的三维场景解析，同时比三维长方体表示更易于学习。此外，我们给出了 Chamfer 损失的解析解，从而避免了对计算昂贵的强化学习或迭代预测的需求。我们的模型在无监督情况下学习将三维物体解析为一致的超二次曲面表示。在各类 ShapeNet 类别以及 SURREAL 人体数据集上的结果展示了我们的模型在捕捉细粒度细节与复杂姿态方面的灵活性，这些是长方体无法建模的。
引用
@article{arxiv.1904.09970,
title = {Superquadrics Revisited: Learning 3D Shape Parsing beyond Cuboids},
author = {Despoina Paschalidou and Ali Osman Ulusoy and Andreas Geiger},
journal= {arXiv preprint arXiv:1904.09970},
year = {2019}
}
备注
CVPR 2019 Camera Ready. Project Page:https://github.com/paschalidoud/superquadric_parsing