TextureNet：用于网格上高分辨率信号学习的一致局部参数化
计算机视觉与模式识别
2019-03-29 v2
摘要
我们提出了 TextureNet，一种旨在从与 3D 表面网格相关联的高分辨率信号（例如颜色纹理图）中提取特征的神经网络架构。其核心思想是利用 4-旋转对称（4-RoSy）场来定义表面上卷积的域。尽管 4-RoSy 场具有若干利于表面卷积的性质（低畸变、少奇点、一致参数化等），但在任意采样点处方向在 4 重旋转内是模糊的。因此，我们引入了一种对 4-RoSy 模糊性不变的新型卷积算子，并将其用于网络中以从表面测地邻域上的高分辨率信号提取特征。与缺乏方向概念的基于 PointNet 的方法等替代方案相比，这些邻域所提供的相干结构带来了显著更强的特征。作为一个示例应用，我们展示了我们的架构在带纹理 3D 网格的 3D 语义分割中的优势。结果表明，在平均 IoU 基础上，我们的方法在仅几何（6.4%）和 RGB+几何（6.9-8.2%）设置下均以显著优势超越所有现有方法。
引用
@article{arxiv.1812.00020,
title = {TextureNet: Consistent Local Parametrizations for Learning from High-Resolution Signals on Meshes},
author = {Jingwei Huang and Haotian Zhang and Li Yi and Thomas Funkhouser and Matthias Nießner and Leonidas Guibas},
journal= {arXiv preprint arXiv:1812.00020},
year = {2019}
}