VConv-DAE：无需物体标签的深度体素形状学习
计算机视觉与模式识别
2016-09-13 v3 图形学
摘要
随着廉价深度传感器的出现，3D捕获变得越来越普遍，并已进入商业产品。然而，使用扫描设备（如Kinect）捕获日常物体的几何或完整形状仍面临若干挑战，导致噪声甚至不完整形状。深度学习的近期成功展示了如何从大规模3D CAD模型集合中数据驱动地学习复杂形状分布，并将其用于体素表示上的3D处理，从而规避拓扑和网格划分问题。先前工作已在从形状补全到识别等问题上展示了令人鼓舞的结果。我们分析此类方法，发现训练及所得表示都强烈且不必要地依赖于物体标签的概念。因此，我们提出一种全卷积体素自编码器，通过估计体素占用网格从噪声数据中学习体素表示。所提方法在去噪和形状补全等挑战性任务上优于先前工作。我们还表明，获得的深度嵌入在用于分类时具有竞争力，并在形状插值上给出有前景的结果。
引用
@article{arxiv.1604.03755,
title = {VConv-DAE: Deep Volumetric Shape Learning Without Object Labels},
author = {Abhishek Sharma and Oliver Grau and Mario Fritz},
journal= {arXiv preprint arXiv:1604.03755},
year = {2016}
}