野外弱监督三维形状补全
计算机视觉与模式识别
2020-08-21 v1
摘要
真实数据的三维形状补全十分重要但具挑战性，因为真实传感器获取的局部点云通常稀疏、含噪且未对齐。与先前方法不同，我们解决从不对齐的真实世界局部点云学习三维完整形状的问题。为此，我们提出一种弱监督方法，在给定同一实例的多个局部观测下，估计三维规范形状与用于对齐的 6-DoF 位姿。网络在训练期间借助多视图几何约束联合优化规范形状与位姿，并能在给定单个局部点云时推断完整形状。此外，学到的位姿估计可促进局部点云配准。在合成与真实数据上的实验表明，无需形状与位姿监督而通过大规模数据学习三维形状补全是可行且有前景的。
引用
@article{arxiv.2008.09110,
title = {Weakly-supervised 3D Shape Completion in the Wild},
author = {Jiayuan Gu and Wei-Chiu Ma and Sivabalan Manivasagam and Wenyuan Zeng and Zihao Wang and Yuwen Xiong and Hao Su and Raquel Urtasun},
journal= {arXiv preprint arXiv:2008.09110},
year = {2020}
}
备注
Accepted by ECCV 2020