关节物体的高效几何感知神经表征的无监督学习
计算机视觉与模式识别
2022-09-28 v2
摘要
我们提出了一种用于关节物体三维几何感知表征学习的无监督方法,其中训练不使用图像-姿态对或前景掩码。尽管通过现有三维神经表征可以通过显式姿态控制渲染出关节物体的逼真图像,这些方法需要真实的3D姿态和前景掩码进行训练,而获取这些代价高昂。我们通过GAN训练学习表征消除了这一需求。生成器通过对抗训练从随机姿态和潜向量产生关节物体的逼真图像。为避免GAN训练的高计算成本,我们基于三平面提出了一种用于关节物体的高效神经表征,并随后给出基于GAN的框架用于其无监督训练。实验证明了我们方法的效率,并表明基于GAN的训练能够在无配对监督下学习可控的三维表征。
引用
@article{arxiv.2204.08839,
title = {Unsupervised Learning of Efficient Geometry-Aware Neural Articulated Representations},
author = {Atsuhiro Noguchi and Xiao Sun and Stephen Lin and Tatsuya Harada},
journal= {arXiv preprint arXiv:2204.08839},
year = {2022}
}
备注
26 pages, ECCV2022, project page https://nogu-atsu.github.io/ENARF-GAN/