基于CFAN-VAE的曲面无监督几何解耦
计算机视觉与模式识别
2020-12-14 v2 计算几何
图形学
机器学习
机器学习
摘要
几何解耦，即分离内在（即身份）和外在（即姿态）几何的潜在编码，是诸如3D可变形模型等非欧几里得数据生成模型的一项突出任务。它提供了对潜在空间更强的可解释性，并能在生成中实现更多控制。本工作引入一种网格特征，即共形因子与法线特征（CFAN），用于网格卷积自编码器。我们进一步提出CFAN-VAE，一种利用CFAN特征解耦身份和姿态的新颖架构。在训练期间无需任何关于身份或姿态的标签信息，CFAN-VAE以无监督的方式实现了几何解耦。我们全面的实验，包括重建、插值、生成和身份/姿态迁移，证明CFAN-VAE在无监督几何解耦方面达到了最先进的性能。我们还通过将直接编码xyz坐标的网格卷积自编码器的潜在空间配准到CFAN-VAE的潜在空间，成功检测到其中的一定程度的几何解耦。
引用
@article{arxiv.2005.11622,
title = {Unsupervised Geometric Disentanglement for Surfaces via CFAN-VAE},
author = {N. Joseph Tatro and Stefan C. Schonsheck and Rongjie Lai},
journal= {arXiv preprint arXiv:2005.11622},
year = {2020}
}
备注
17 pages, 8 figures