TL;DR通过构建先验库和分析输入和先验之间的相关性,本文提出了一种弱监督框架来从未见过的类别中重建完整的 3D 形状,并通过自监督形状细化模型进一步改进了粗糙形状,实验证明我们的方法明显优于现有方法。
Abstract
3d shapes captured by scanning devices are often incomplete due to occlusion.
3D shape completion methods have been explored to tackle this limitation.
However, most of these methods are only trained and tested o
本篇论文旨在通过两种创新,基于从运动视角观察物体的方式,不需要手动注释,实现学习 3D 物体类别的传统方法。我们的系统基于两种创新:一种是具有鲁棒性的 Siamese 视点因子分解网络,可以对不同的视频进行对齐;另一种是可以从部分观测中提取对象的完整形状的 3D 形状完成网络。我们还演示了配置网络以执行概率预测和几何感知数据增强方案的好处。在公开可用的基准测试中,我们获得了最先进的结果。
该研究使用单视角三维形状检索,通过系统性评估考察了目标 3D 形状数据库中的物体遮挡、未见过的 3D 形状数据以及输入图像中的未见过的物体对性能的影响,并提出了合成数据集生成流程。实验结果表明,通过在具有遮挡的合成数据集上进行预训练,然后在真实数据上进行微调,可以显著提高模型性能,并且对于未见过的 3D 形状和未见过的物体具备鲁棒性。