TL;DR该论文提出了一种基于 “混合梯度” 的新方法来优化基于图像引擎渲染的 3D 训练数据的生成，证明该方法在评估标准基准上可以在计算效率方面优于先前的现有技术。
Abstract
synthetic images rendered by graphics engines are a promising source for
training deep networks. However, it is challenging to ensure that they can help
train a network to perform well on real images, because a g
本文提出了一种使用通用的不可微分渲染器训练来自 2D 数据的 3D 生成模型的可扩展方法，该方法引入了一个代理神经渲染器来匹配不可微分渲染器的输出。我们进一步提出鉴别器输出匹配以确保神经渲染器学习适当地平滑栅格化。当用纯 2D 图像进行训练时，我们的模型可以比现有模型更好地学习生成更好的 3D 形状。