稀疏点集神经重建：面向稳健性的研究
计算机视觉与模式识别
2024-12-24 v1
摘要
我们考虑从稀疏且噪声较大的3D点云中学习符号距离函数（SDF）的挑战性问题。与最近依赖平滑先验的 methods 不同，我们的方法根植于分布鲁棒优化（DRO）框架，包含一种正则化项，利用模型不确定性区域的样本来提高学习到的SDF。由于可转化为对偶形式，本框架使得在无真值监督的情况下，对SDF进行稳定且高效的优化成为可能。通过多种合成和真实数据评估（来自不同模态），我们表明基于DRO的学习框架可提高与基线和最新方法相对于的SDF学习性能。
引用
@article{arxiv.2412.16361,
title = {Toward Robust Neural Reconstruction from Sparse Point Sets},
author = {Amine Ouasfi and Shubhendu Jena and Eric Marchand and Adnane Boukhayma},
journal= {arXiv preprint arXiv:2412.16361},
year = {2024}
}
备注
Project page : https://ouasfi.github.io/sdro/