ZeroShape：基于回归的零样本形状重建

我们研究了单图像零样本 3D 形状重建问题。近期的工作通过对 3D 资产生成建模来学习零样本形状重建，但这些模型在训练和推理阶段计算成本高昂。相比之下，解决该问题的传统方法是基于回归的，即训练确定性模型直接回归物体形状。此类回归方法比生成方法具有高得多的计算效率。这引出了一个自然的问题：要实现高性能是否必须采用生成建模，或者说基于回归的方法是否依然具有竞争力？为了回答这个问题，基于该领域的研究趋同发现与一项新颖见解，我们设计了一个强大的基于回归的模型，称为 ZeroShape。我们还整理了一个大型真实世界评估基准，其物体来自三个不同的真实世界 3D 数据集。该评估基准比先前工作用于定量评估其模型的基准更具多样性，且规模大了一个数量级，旨在减少我们领域内的评估方差。我们表明，ZeroShape 不仅实现了优于 SOTA 方法的性能，而且展示了显著更高的计算和数据效率。