单图像纹理三维模型的视角泛化

人类仅从单张二维图像就能轻易推断物体潜在的3D几何与纹理。当前的计算机视觉方法也能做到这一点，但存在视角泛化问题——推断出的模型在新视角下的外观预测往往较差。就机器学习中的泛化问题而言，难点在于平衡单视角精度(类比训练误差；偏差)与新视角精度(类比测试误差；方差)。我们描述了一类几何刚性易于控制以权衡该矛盾的模型。我们提出了一种循环一致性损失，可改善视角泛化(粗略地说，从生成视角得到的模型应能较好地预测原始视角)。纹理的视角泛化要求模型共享纹理信息，因此从后方看到的车仍有前灯，因为其他车有前灯。我们描述了一种鼓励模型纹理对齐从而促成共享的循环一致性损失。我们将方法与SOTA方法比较，展示了定性与定量上的改进。