Основні поняття
DAE-Net은 3D 모양 컬렉션에서 변형 가능한 부품 템플릿을 학습하여 각 모양을 선택된 부품 템플릿의 조합으로 재구성하는 비지도 학습 방법이다.
Анотація
이 논문은 3D 모양 공동 분할을 위한 DAE-Net이라는 비지도 학습 방법을 제안한다. DAE-Net은 3D 모양 컬렉션에서 변형 가능한 부품 템플릿을 학습하고, 각 모양을 선택된 부품 템플릿의 조합으로 재구성한다.
구체적으로:
- 네트워크는 N개의 분기로 구성되어 있으며, 각 분기는 하나의 부품 템플릿을 나타낸다.
- 입력 모양에 대해 CNN 인코더는 각 부품의 어핀 변환 행렬, 잠재 코드, 부품 존재 점수를 예측한다.
- 각 부품은 어핀 변환과 제약된 변형을 통해 입력 모양을 재구성한다.
- 제안된 훈련 방법은 지역 최소값 문제를 해결한다.
실험 결과, DAE-Net은 ShapeNet Part, DFAUST, Objaverse 데이터셋에서 기존 방법보다 우수한 성능을 보였다. 또한 부품 존재 점수를 이용한 모양 클러스터링과 부품 단위 모양 디테일화 응용을 제시했다.
Статистика
각 모양은 64x64x64 크기의 점유 볼륨 그리드로 표현된다.
네트워크는 N=16개의 부품 템플릿을 학습한다.
훈련은 2N 에포크 동안 진행되며, 각 에포크는 125,000 번의 반복으로 구성된다.
배치 크기는 16이며, Adam 옵티마이저를 사용하고 학습률은 0.0002이다.
학습에는 약 8시간(N=16) 또는 2.5시간(N=8)이 소요된다.
Цитати
"DAE-Net은 3D 모양 컬렉션에서 변형 가능한 부품 템플릿을 학습하고, 각 모양을 선택된 부품 템플릿의 조합으로 재구성한다."
"제안된 훈련 방법은 지역 최소값 문제를 해결한다."