基于学习的三维重建的泛化

Jun, 2020

On the generalization of learning-based 3D reconstruction

Miguel Angel Bautista, Walter Talbott, Shuangfei Zhai, Nitish Srivastava, Joshua M Susskind

TL;DR本文研究了学习基础的 3D 重建方法在体现经验偏好时的架构问题，发现编码器空间范围、场景几何特征描述和多视图信息聚合机制对性能的影响，并提出相应的机制以增强对这些经验偏好的表达。在 ShapeNet 基准测试中，我们的模型在各种设置下均实现了最先进的成果。

Abstract

State-of-the-art learning-based monocular 3d reconstruction methods learn priors over object categories on the training set, and as a result struggle to achieve reasonable generalization to object categories unseen during training. In this paper we study the →

monocular 3d reconstruction inductive biases object generalization encoder architecture multiple view aggregation

发现论文，激发创造

输入级别感应偏置用于 3D 重建

本文通过将几何归纳偏置直接注入模型作为额外输入，而非使用特殊架构，来解决 3D 重建问题。研究将摄像机、投射光线和对极几何编码为模型输入，并在多个基准测试上展示具有竞争力的多视图深度估计性能。

Dec, 2021

基于先验知识的单幅图像 3D 重建的少样本泛化

本文提出一种新的模型架构，将单视角三维重建重新定义为分类无关的先验纠正学习，初步结果表明该模型可以从提供的少至一组三维形状开始对目标物品进行分类再建，无需重新训练，且对于多视角的立体成像也有较好表现。

Sep, 2019

通过学习局部和全局形状先验层次来促进单视图 3D 重建的泛化

该文利用不同层次的位置先验信息从输入的深度图中提取详细的局部信息并进行组合，从而改进了新颖形状的泛化能力，具有更好的泛化性能。

Apr, 2021

用于三维形态建模与重建的深度优化先验

该研究提出了一种新的 3D 建模和重建学习框架，通过连接基于学习和基于优化的方法的优点并优化学习的先验和潜在编码，提高了深度生成器的广义性。实验结果显示，该方法在处理高度稀疏或坍塌的观测数据方面比现有方法都有优势。

Dec, 2020

学习从未见过的类别重建形状

本研究提出一种通用重建算法（GenRe），利用深度和轮廓等 2.5D 表示方法和球形和体素表示方法，旨在捕捉更通用，不受特定类别约束的形状先验知识，实验结果表明该算法可以很好地解决从单张图像还原 3D 形状，并且能够泛化到未在训练中见过的多种不同类别的新物体。

Dec, 2018

单视图三维重建的视角先验学习

该研究提出了一种训练鉴别器和重构器的方法，在重构器中使用先验知识来纠正未被观察到的视角，以便从任意视角重新构建形状。与目前最先进的方法相比，实验结果表明该方法在合成和自然图像数据集上表现更好。

Nov, 2018

Pri3D：3D 先验能够帮助 2D 表征学习吗？

探讨了利用几何约束来学习视角不变、几何感知表达，通过对 RGB-D 数据进行对比度学习，实现从 3D 先验信息到 2D 表达的迁移，并在语义分割、实例分割、室内物体检测中实现了显著提升。

Apr, 2021

基于组合先验的少样本单视图三维物体重建

本文提出了三种针对三维重建少样本的方法，并将类先验有效地整合到模型中，以便考虑类内变异性和强制实施隐式组合结构，从而在少样本场景中显著优于现有基线模型，实验在 ShapeNet 数据集上。

Apr, 2020

UCLID-Net: 物体空间中的单视角重建

本文提出了一种新的深度几何学习方法，通过构建保留欧几里得空间结构的三维潜在空间，可以提高网络在形状识别和重建上的性能，并且在 ShapeNet 和真实世界数据集上表现优于目前最先进的方法，并且能够自然而然地扩展到多视角重建。

Jun, 2020

从运动学习骨骼类目的单目三维重建

使用视频自监督和模板形变技术来实现单目 3D 重建并且进行数值优化，以便使计算得出的模型更加准确和具有解释性。

Mar, 2021