浏览SDF-SRN: Learning Signed Distance 3D Object Reconstruction from Static Images
在解决什么问题?
如何从单幅图像(仅仅利用轮廓)学习3D形状。已有的全监督的方法需要成对的注释(每个图像都有对应的3D模型),显然这很费劲;还有一些方法是用多视角的轮廓,多视角能够提供更加丰富的表面结构,当然标注多张图像中实例的轮廓也并非易事。因此,标注单幅图像实例的轮廓就是个更见直接的方案。
面临的困难
在给定的相机姿态下,3D形状的投影应该与2D观察的轮廓相匹配。已有的方法基本是用整个目标的mask进行match,这样中间的像素占用了大部分的损失,其边界也就是对3D表面的描述监督不足。在不知道基本形状和拓扑结构,如何充分将图像的轮廓与3D物体的表面联系起来并为网络提供充足的监督信息?
本文的方法
学习Signed distance functions 当作图像隐含的三维表示,旨在从分利用轮廓的距离变换来提供几何监督信息。设计一个可微补偿器来优化形状表面。
Signed distance functions
将损失尽可能的集中在靠近轮廓上。
Rendering Implicit 3D Surfaces(I donot care)