神经正切核视角下基于深度先验的无监督形状补全
计算机视觉与模式识别
2021-04-20 v1 人工智能
摘要
我们提出一种利用深度神经网络从不完整扫描数据完成并重建三维形状的新方法。该网络并非在监督补全任务上训练后应用于测试形状，而是从零开始在单一测试形状上优化，以完全适应形状并利用已知区域的上下文引导补全缺失数据。未经训练的神经网络补全缺失数据的能力通常被称为深度先验。本文中，我们从神经正切核（NTK）视角解释深度先验，并表明经训练 CNN 补全的形状块与现有块自然相似，因为它们在 NTK 诱导的核特征空间中邻近。该解释为形状补全与重建任务设计了更高效的网络结构与学习机制。相较于传统及其他无监督基于学习的重建方法，我们的方法更关注结构规律性，以合理形状补全大块缺失区域，并通过无需额外训练数据集且展现对特定形状实例的灵活适应，补充了使用数据库先验的监督学习基于的方法。
引用
@article{arxiv.2104.09023,
title = {Unsupervised Shape Completion via Deep Prior in the Neural Tangent Kernel Perspective},
author = {Lei Chu and Hao Pan and Wenping Wang},
journal= {arXiv preprint arXiv:2104.09023},
year = {2021}
}
备注
This is the author's preprint; see the final publication at ACM TOG