用局部条件图集建模三维曲面流形

最新推荐文章于 2021-09-07 20:09:59 发布

小白学视觉

最新推荐文章于 2021-09-07 20:09:59 发布

阅读量265

点赞数

文章标签：人工智能计算机视觉 python 机器学习深度学习

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

小白导读

论文是学术研究的精华和未来发展的明灯。小白决心每天为大家带来经典或者最新论文的解读和分享，旨在帮助各位读者快速了解论文内容。个人能力有限，理解难免出现偏差，建议对文章内容感兴趣的读者，一定要下载原文，了解具体内容。

摘要

最近提出的三维物体重建方法用图集表示网格-一组平面贴片接近表面。然而，它们在现实场景中的应用是有限的，因为重建对象的表面包含不连续，这降低了最终网格的质量。这主要是由于单个patch的独立处理造成的，在这项工作中，作者假设通过保持patch顶点周围的局部一致性来减轻这一限制。为此，作者引入了局部条件图集(LoCondA)，一个在生成模型中分层表示3D对象的框架。首先，模型将一个物体的点云映射到一个球体。其次，通过利用球面先验，作者强制映射在球面和目标物体上是局部一致的。这样，作者可以在那个球体上采样一个网格四边形，并将它投射回物体的流形上。有了LoCondA，作者可以生产拓扑不同的对象，同时保持四边形缝合在一起。作者表明，提出的方法提供了结构上一致的重建，同时生产的网格质量可与竞争对手相比较。

代码链接：https://github.com/gmum/LoCondA

论文创新点

该方法将基础模型得到的点云嵌入转化为MLP网络所表示的双射函数的参数化。这个函数的目的是在目标网格表面上找到一个标准的2D贴片到3D贴片的映射。作者使用由基础模型生成的点云中的单个点来条件一个3D补丁的位置和形状。作者对每个生成的点重复这个过程，保留点云和生成网格中的点之间的局部邻域。直观地说，这允许作者在作者的框架训练目标中包括拼接和重塑补丁，从而减少形状不连续的可能性。作者将作者的贡献总结如下:

作者提出了一个基于补丁的重建方法的总体框架，该方法可以从原始点云创建高保真网格。
作者提出了连续图集——一种新的范例，它概括了现有的图集方法，并使采样任意数量的斑块，以自适应地覆盖重构对象的任何部分。
最后，作者展示了基于图集的方法的一个简单的调节机制，该方法在单个斑块之间共享信息，消除了重构网格中的自交和孔洞问题。

框架结构

LoCondA扩展了一个基生成超模型(a部分)，在S表面取一个点p，将其映射到覆盖p邻域的patch (B部分)。

实验结果

由作者的LoCondA (HyperCloud)方法生成的网格表示

用作者的LoCondA (HyperCloud)方法生成网格插值

结论

在本文中，作者提出了一种新的方法来直接从原始点云生成高质量的由2D斑块组成的三维网格。作者提出了一个连续图集范例，允许作者的模型，局部条件图集，产生任意数量的补丁，形成一个水密网。在三个广泛的实验上对LoCondA的实证评价证实了作者的方法的有效性及其竞争绩效。

论文链接：https://arxiv.org/pdf/2102.05984.pdf

每日坚持论文分享不易，如果喜欢我们的内容，希望可以推荐或者转发给周围的同学。

- END -

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~