动机
-
基于深度CNN的方法在多视图3D物体重建方面达到了SOTA水平。
从多视图图像中学习3D物体的表示是3D建模、虚拟现实和计算机动画中的一个基本而又具有挑战性的问题。近年来,深度学习方法极大地促进了多视图3D重建问题的研究,其中基于深度卷积神经网络(CNN)的方法在该任务中达到了SOTA水平。
-
尽管取得了相当大的进展,但这些方法的两个核心模块,即多视图特征提取和融合通常是单独考察的,很少探究不同视图中的目标关系。
为了从多个输入视图中学习有效的3D表示,大多数基于CNN的方法遵循分而治之的设计原则,其中通常的做法是引入CNN进行特征提取和融合模块来集成多个视图的特征或重建得到。尽管这两个模块之间有很强的关联,但它们的方法设计是分开研究的。另外,在CNN特征提取阶段,很少研究不同视图中的目标关系。虽然最近的一些方法引入了递归神经网络(RNN)来学习不同视图之间的目标关系,但这种设计缺乏计算效率,而且RNN模型的输入视图是对顺序变化敏感的,难以与一组无序的输入视图兼容。
-
在基于CNN的多视图3D重建方法中,设计一个既能探索视图之间深层关系,又能保持排列不变能力的融合模型仍然是一个困难的任务。Transformer在多视角3D重建中的一个天然优势是,其令牌嵌入可以无序地一层一层的做抽象学习。
-
近年来的研究也表明,基于CNN的重建方法可能存在模型缩放问题。
例如,当模型输入超过一定规模,模型的精度就会饱和,显示出通过一大组独立的CNN特征提取单元学习互补知识的难度。
-
更深层的“注意力均匀性”问题。
在transformer中,自注意力对“令牌均匀性”有一种强烈的感应倾向,它促进输入令牌的特征表示收敛。然而&