基于谱卷积自编码器的半正则曲面网格迁移学习
计算机视觉与模式识别
2022-12-13 v1
摘要
随时间变形的三维曲面网格的潜在动态与模式可通过无监督学习（尤其是自编码器）来发现，后者计算曲面的低维嵌入。为通过迁移学习研究未见形状的变形模式，我们希望训练一个能够分析新曲面网格而无需重新训练网络的自动编码器。目前大多数最先进的自编码器无法处理具有不同连通性的网格，因此对新的网格泛化能力有限甚至没有。同时，与训练形状上的误差相比，重建误差急剧增加。为此，我们提出了一种新颖的谱 CoSMA（卷积半正则网格自编码器，Convolutional Semi-Regular Mesh Autoencoder）网络。这种基于块的方法与表面感知训练相结合，能够重建训练时未出现的曲面，并泛化曲面块的变形行为。与在这些形状上训练的最先进自编码器相比，该新方法以更优的质量重建来自不同数据集的未见网格。我们在未见形状上的迁移学习误差比直接在数据上学习的模型低 40%。此外，基线自编码器仅能在整体形状上检测未见网格序列的变形模式。相反，由于采用了区域块和稳定的重建质量，我们可以定位这些变形模式在曲面上的出现位置。
引用
@article{arxiv.2212.05810,
title = {Transfer Learning using Spectral Convolutional Autoencoders on Semi-Regular Surface Meshes},
author = {Sara Hahner and Felix Kerkhoff and Jochen Garcke},
journal= {arXiv preprint arXiv:2212.05810},
year = {2022}
}
备注
Accepted at First Learning on Graphs Conference (LoG 2022)