牙科点云的可变分自编码
计算机视觉与模式识别
2024-08-28 v4 机器学习
摘要
数字牙科已取得显著进展，但诸多挑战依然存在。本文引入 FDI 16 数据集，一个大规模的牙齿网格与点点云集合。此外，我们提出一种新方法：Variational FoldingNet (VF-Net)，一种用于点云的全概率变分自编码器。值得注意的是，先前的点云潜变量模型在输入点与输出点之间缺乏一一对应关系，而是依赖优化 Chamfer 距离——该度量缺乏归一化分布对应物，因而不适用于概率建模。我们用合适的编码器替代对 Chamfer 距离的显式最小化，在提升计算效率的同时简化了概率扩展。这使得该方法可直接应用于多种任务，包括网格生成、形状补全与表示学习。在实证上，我们提供了在牙齿重建与插值中更低重建误差的证据，展示了在牙科样本生成中的 SOTA 性能，同时识别出有价值的潜表示。
引用
@article{arxiv.2307.10895,
title = {Variational Autoencoding of Dental Point Clouds},
author = {Johan Ziruo Ye and Thomas Ørkild and Peter Lempel Søndergaard and Søren Hauberg},
journal= {arXiv preprint arXiv:2307.10895},
year = {2024}
}