3D 论文阅读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）