基于双重变形的室内几何弱监督学习
计算机视觉与模式识别
2018-08-13 v1
摘要
深度感知与三维理解的一个重要要素是能够针对新视角预测场景及其所含物体的三维布局。室内环境尤其适合新视角预测，因为此类环境中的物体集合相对受限。本工作仅利用弱监督来解决特别是室内场景的三维预测任务。文献中三维场景预测通常通过三维体素网格求解。然而，这类方法受限于估计相当粗糙的三维体素网格，因为预测整个体素空间具有巨大的计算代价。因此，我们的方法在图像空间而非体素空间中运作，三维估计任务本质上变为深度图像补全问题。我们提出一种新方法，可轻松生成包含具有真实遮挡的深度图的训练数据，随后训练一个网络来补全那些被遮挡的区域。利用多个公开可用数据集~\cite{song2017semantic,Silberman:ECCV12}，我们将方法与现有方法进行了基准对比，并取得了更优性能。我们进一步通过展示 RGB-D 图像新视角合成的结果，证明了方法的灵活性。
引用
@article{arxiv.1808.03609,
title = {Weakly supervised learning of indoor geometry by dual warping},
author = {Pulak Purkait and Ujwal Bonde and Christopher Zach},
journal= {arXiv preprint arXiv:1808.03609},
year = {2018}
}
备注
3DV 2018, to appear, International Conference on 3D Vision 2018