แนวคิดหลัก
Wir präsentieren eine Methode zum unüberwachten Lernen von binären Belegungsfeldern aus spärlichen und verrauschten Punktwolken, die die Leistung des aktuellen Stands der Technik übertrifft.
บทคัดย่อ
In dieser Arbeit stellen wir eine Methode zum unüberwachten Lernen impliziter Oberflächenrepräsentationen aus spärlichen und verrauschten Punktwolken vor. Im Gegensatz zu den bisher üblichen Ansätzen, die sich auf das Lernen von Abstandsfunktionen konzentrieren, schlagen wir vor, Belegungsfelder zu verwenden, da diese einfacher zu lernen sind, insbesondere bei spärlichen Eingaben.
Unser Ansatz kombiniert zwei Schlüsselkomponenten:
- Eine Verlustfunktion, die auf der Ausrichtung der Entscheidungsgrenze des Belegungsfelds mit den Eingabepunktwolken basiert. Wir erreichen dies, indem wir eine Methode des unsicheren Samplings auf der Grundlage der Randunschärfe des Belegungsfelds verwenden.
- Eine Entropie-basierte Regularisierung, die die Unsicherheit des Belegungsfelds fast überall minimiert, während sie sie an der Entscheidungsgrenze maximiert.
Durch umfangreiche Experimente auf verschiedenen Benchmarks für Objekt-, nicht-starre und Szenenrekonstruktion zeigen wir, dass unser Ansatz den aktuellen Stand der Technik in Bezug auf die Rekonstruktion aus spärlichen Punktwolken übertrifft, sowohl quantitativ als auch qualitativ.
สถิติ
Die Rekonstruktion von Objekten aus der ShapeNet-Datenbank mit spärlichen und verrauschten Punktwolken zeigt, dass unser Ansatz alle Metriken wie Chamfer-Distanz, Normalenkonsistenz und F-Score übertrifft.
Bei der Rekonstruktion menschlicher Körperformen aus der Faust-Datenbank mit spärlichen Punktwolken übertrifft unser Verfahren ebenfalls alle Vergleichsmethoden.
Auch bei der Rekonstruktion komplexer Szenen aus der 3D-Szenen-Datenbank erreicht unser Ansatz die besten Ergebnisse über alle Metriken hinweg.
คำพูด
"Wir präsentieren eine Methode zum unüberwachten Lernen von binären Belegungsfeldern aus spärlichen und verrauschten Punktwolken, die die Leistung des aktuellen Stands der Technik übertrifft."
"Unser Ansatz kombiniert zwei Schlüsselkomponenten: eine Verlustfunktion, die auf der Ausrichtung der Entscheidungsgrenze des Belegungsfelds mit den Eingabepunktwolken basiert, und eine Entropie-basierte Regularisierung, die die Unsicherheit des Belegungsfelds fast überall minimiert, während sie sie an der Entscheidungsgrenze maximiert."