Existing neural field representations for 3d object reconstruction either (1)
utilize object-level representations, but suffer from low-quality details due
to conditioning on a global latent code, or (2) are able
提出了利用大规模合成数据集和神经部件先验(NPP)来学习 3D 物体的几何部件先验,该方法能够在测试时对现实世界的扫描 3D 场景进行鲁棒的部件分解,同时适应观察到的真实几何形状,并在由相似几何对象组成的场景中实现全局优化。在 ScanNet 数据集的实验中,NPP 在实际场景中的部件分解和对象完成方面明显优于现有技术。