没有合适的资源?快使用搜索试试~ 我知道了~
1三维扫描与CAD对象Manuel Dahnert1Angela Dai1Leonidas Guibas2,3 Matthias Nießner11慕尼黑工业大学2斯坦福大学3Facebook AI Research图1:我们学习了扫描和CAD对象几何形状的联合嵌入空间,在这里通过t-SNE可视化语义上相似的对象靠近在一起,而不管非常不同的较低级别的几何特征(杂乱、噪声、局部性等)。摘要3D扫描几何结构和CAD模型通常包含用于理解环境的补充信息,可以通过在两个域之间然而,由于扫描和CAD几何结构之间存在较强的低级差异,因此这是一项我们提出了一种新的方法来学习扫描和CAD几何学之间的联合嵌入空间,其中来自两个域的语义相似的对象靠近在一起。为了实现这一目标,我们引入了一种新的基于3D CNN的方法来学习一个联合嵌入空间,该空间表示这些领域中的对象相似性为了学习扫描对象和CAD模型可以交错的共享空间,我们提出了一种堆叠沙漏方法来从扫描对象中分离前景和背景这个嵌入空间可以用于CAD模型检索;为了进一步实现这一任务,我们引入了一个新的排名扫描数据集-CAD相似性注释,使新的,细粒度的评估CAD模型检索混乱,嘈杂,部分扫描。我们学习的联合嵌入在实例检索准确率方面比当前CAD模型检索的最新技术水平高出12%。1. 介绍近年来,真实世界3D场景的捕获和重建取得了重大进 展 , 这 是 由 于 商 品 RGB-D 传 感 器 ( 如 MicrosoftKinect或Intel RealSense)的可用性不断增加。最先进的3D重建方法可以通过稳健的跟踪实现令人印象深刻的重建保真度[18,14,20,32,7,9]。这种3D重建现在已经开始推动3D场景理解与最近可用的注释重建数据集[8,3]。随着合成CAD模型数据集的同时可用性[4],我们有机会推动3D场景理解和几何重建。87498750扫描的真实世界对象的3D模型以及形状的合成CAD模型包含关于理解环境的重要信息,通常以复杂的方式。在CAD模型通常包括相对简单、干净、紧凑的几何形状的情况下,真实世界对象通常更复杂,并且扫描的真实世界对象几何形状则更复杂,以及有噪声和不完整。因此,在两个域之间建立映射是非常有用的,由于合成模型和真实世界对象之间缺乏精确匹配以及这些强的低级几何差异,因此难以获得这样的语义映射。因此,当前检索代表扫描对象的CAD模型的方法集中在检索正确对象类类别的CAD模型的任务上[26,8,13,24],而不考虑类内相似性或排名。相比之下,我们的方法学习扫描和CAD对象几何形状的联合嵌入空间,其中来自两个域的类似对象紧密地位于一起,如图所示。1.一、为此,我们引入了一种新的基于3D CNN的方法来学习语义混合的嵌入空间以及5102个扫描CAD排名相似性注释的数据集。使用这个数据集的扫描CAD相似性,我们现在可以充分评估CAD模型检索,基准评估的检索精度以及排名能力。为了学习联合嵌入空间,我们的模型采用一系列编码器-解码器的堆叠沙漏方法:首先学习将扫描对象从其背景杂波中分离出来这使得扫描和CAD对象几何形状能够进入共享空间,并且在实例检索准确性方面比最先进的CAD模型检索方法高出12%总之,我们做出以下贡献:• 我们提出了一种新的堆叠沙漏方法杠杆老化的三重损失,学习CAD模型和扫描对象几何之间的联合嵌入空间。• 我们引入了一个新的数据集排名扫描CAD对象的相似性,建立了一个基准的CAD模型检索从输入扫描对象。对于这项任务,我们提出了细粒度的评价分数,重新trieval和排名。2. 相关工作3D形状描述符通过紧凑特征描述符对3D形状进行表征,可以实现形状分析中的各种任务,例如形状匹配、检索或组织。因此,形状描述符在几何处理中有很长的历史。用于表征3D的已经提出了利用基于较低级别的几何特征(例如体积、距离或曲率)的手工特征的形状[22,21,10,27,29],或更高级别的形状。层次特征,如拓扑结构[12,5,28]。还提出了3D形状的2D投影形式的特征化来描述形状的外观和几何[6]。最近,随着用于3D数据的深度神经网络的进步,针对点云或体积形状分类训练的神经网络也已用于提供3D形状的特征描述符[26,25]。随着最近真实世界[8,3]和合成[4] 3D对象的大规模数据集的可用性,对RGB-D扫描数据的CAD模型检索的研究越来越多。在这种情况下,用于CAD模型检索到对象的真实世界扫描的SHREC chal-toes [13,24]由于缺乏CAD模型与扫描对象的相似性的真实数据,在这种情况下,通常使用类类别作为相似性的粗略代理来评估CAD模型检索;也就是说,如果类别与查询扫描对象的类别相匹配,则认为所检索的模型是正确的检索。我们提出了一个更细粒度的评估任务的CAD模型检索扫描对象与我们新的扫描CAD对象相似性数据集和基准。多模态嵌入跨不同数据模态的嵌入空间已用于各种计算机视觉任务,例如建立图像和语言之间的关系[30,31],或学习不同图像域(例如照片和产品图像)之间的相似性[2]。这些跨域关系已被证明可以帮助完成目标检测等任务[23,17]。最近,Herzog et al.提出了一种将3D模型、关键字、图像和草图联系起来的方法[11]。Li等人还引入了一种基于CNN的方法来学习CAD模型和图像之间的共享嵌入空间,利用CNN将图像映射到CAD模型相似性的预构建特征空间[15]。我们的方法还利用CNN来构建一个模型,该模型可以以端到端的方式学习扫描对象和CAD模型之间的联合嵌入,学习对局部性或几何噪声的差异保持不变。3. 方法概述我们的方法学习对象和CAD模型的真实世界扫描之间的共享嵌入空间,其中语义上相似的扫描和CAD对象彼此靠近,扫描和CAD对象混合在一起,对较低级别的几何差异(局部性,噪声等)不变。我们表示扫描和CAD对象的二进制网格表示体素占用,并设计了一个三维卷积。8751图2:我们的网络架构,用于在扫描和CAD对象几何形状之间构建联合嵌入该架构以堆叠的沙漏方式设计,具有一系列沙漏编码器-解码器,用于将扫描输入转换为更类似CAD的表示,然后将特征映射到具有三重丢失的嵌入空间中。第一个沙漏(蓝色)将扫描对象从其背景杂波中分割出来,第二个沙漏(绿色)预测分割对象的完整几何形状,并从中计算最终的特征编码(黄色); CAD对象特征使用相同的最终编码器计算。请注意,层用参数c×(k,s,p)表示,其中输出通道数为c,内核大小为k,步幅为s,填充为p。较浅颜色的层表示残留块,较深颜色的层表示卷积层。一个典型的神经网络,鼓励扫描对象和CAD对象映射到共享的嵌入空间。因此,我们的模型以堆叠的沙漏[19]方式构建,旨在将扫描对象转换为更像CAD的表示,然后将其映射到该关节空间。第一个沙漏学习将扫描几何形状分割成对象和背景杂波,使用具有两个解码器的编码器分别重建前景和背景。然后,分割的前景导致下一个沙漏,由编码器-解码器组成,该编码器-解码器被训练以重建分割但部分扫描对象的完整几何形状。这有助于在将扫描对象映射到与CAD对象共享的空间这里,完成的扫描然后被输入到编码器以训练映射到该嵌入空间中的潜在特征向量,这是通过约束潜在空间以匹配CAD编码器对匹配CAD对象的潜在空间并且远离非匹配CAD对象的编码器来实现的这使得能够学习语义上类似的CAD对象和扫描对象混合在一起的联合嵌入空间。有了这个学习到的共享嵌入空间,我们可以使应用程序(如更细粒度的CAD模型检索)能够扫描比以前更好的对象。为此,我们展示了我们的联合扫描CAD嵌入的背景下,CAD模型检索,介绍此任务的Scan-CAD对象相似性基准和评估分数。4. 学习关节扫描-CAD嵌入4.1. 网络架构我们的网络架构如图所示二、它是一个端到端的全卷积3D神经网络,旨在解决扫描对象和CAD模型之间的低级别几何差异在训练期间,我们将扫描对象S以及相应的CAD模型Cp和不同的CAD模型Cn作为输入,每个CAD模型Cn由其在32× 3体积网格中的二进制占用表示。在测试时,我们使用扫描或CAD对象的学习特征提取器来计算联合嵌入空间中的特征向量。该模型由两个编码器-解码器和一个最终编码器组成。前两个沙漏组件专注于将扫描对象转换为更像CAD的表示,以鼓励联合嵌入空间专注于扫描和CAD之间的更高级别的语义和结构相似性,而不是更低级别的几何差异。第一沙漏因此被设计成将扫描对象与附近的背景杂波(例如,地板、墙壁、其他对象),并且由一个编码器和两个解码器(一个用于前景扫描对象,一个用于背景)组成。编码器采用初始卷积,随后是一系列4个残差块,以及最终卷积层,导致512维潜在特征空间。然后将该特征一分为二;第一半馈送到解码器8752从背景,以及后半部分到重建输入扫描几何的背景杂波的解码器。解码器的结构与编码器对称对于预测的扫描对象几何形状xfg和背景几何形状xbg,我们利用代理损失Lseg=BCE(xfg,gtfg)+BCE(xbg,gtbg)进行训练,以分别将分割的扫描对象和背景杂波重建为占用网格。第二个沙漏采用分割的扫描对象,并旨在生成对象的完整几何形状,因为真实世界的扫描通常会导致部分观察到的几何形状。这是以编码器-解码器方式构造的,其中编码器和解码器与第一分割沙漏的解码器对称地构造然后,我们在完成时使用代理损失作为占用网格:Lcmp=BCE(xcmp,Cp),用于完成预测xcmp以及对应于扫描对象的CAD模型Cp最终编码器旨在学习联合扫描CAD嵌入空间。这被公式化为三重损失:L= max ( d ( f ( S ) , g ( Cp ) ) −d ( f(S),g(Cn))+margin,0),其中f(S)=fe(fc(fs(S),其中fs表示扫描分段,fc表示扫描完成,并且fe是与fc的编码器对称构造的编码器,其产生大小为256的特征向量。g(C)是与fE相同结构的编码器,其计算CAD占用网格的特征向量 对于我们所有的实验,所有的损失都是平等加权的,我们使用欧几里得距离和0的保证金。二、4.2. 网络训练我们从头开始训练我们的模型对于训练数据,我们使用来自Scan 2CAD[1]的成对扫描和CAD模型(S和Cp),其提供了来自ShapeNet [4]的CAD模型对齐到Scan-Net [8]的真实世界扫描上对于不匹配的CAD模型Cn,我们从不同类别的Scan2CAD随机采样模型每一个时期后,我们重新采样新的底片。我们使用Adam优化器训练模型,批量大小为128,初始学习率为0。001,其每20k次迭代衰减10。 我们的模型在单个Nvidia GTX 1080 Ti上训练了100k次迭代(2015. Scan-CAD对象相似性基准我们学习到的扫描和CAD对象几何形状之间的联合嵌入空间使这些对象的表征在更高层次的语义和结构相似性。这使我们能够以更全面的方式制定CAD模型检索等应用程序,特别是与通过检索对象的类别准确性评估检索的先前方法相比[13,26,24]。图3:用于获得CAD模型与扫描查询的排序相似性的注释界面用户可以从6个建议模型中选择最多3个CAD模型并进行我们的目标是通过比类类别更细粒度的对象相似性来表征检索。因此,我们提出了一个新的扫描CAD对象相似性数据集和基准的CAD模型检索。为了构建我们的扫描CAD对象相似性数据集,我们开发了一个直观的注释Web界面,旨在测量扫描CAD相似性,灵感来自[16]。如图在图3中,示出了查询扫描模型的几何形状以及一组6个CAD模型。然后,用户按照与查询扫描几何结构的相似性的顺序从所提出的集合中选择多达3个相似的CAD模型,从而产生排名的扫描CAD相似性注释。用户被指示根据对象几何学来测量相似性。最初,模型以规范姿势显示,但用户可以单独旋转,平移或缩放每个模型以更详细地检查它。由于扫描对象有时可能非常不完整,我们还提供了一个选项,可以点击为了收集这些扫描CAD相似性注释,我们使用来自ScanNet数据集[8]的分割扫描对象,该数据集提供了扫描几何结构上的标记语义实例分割。CAD模型由ShapeNet-Core [4]提出。CAD模型建议是从Scan2CAD数据集[1]中提取的,该数据集为1506个ScanNet扫描中的对象提供了3049个独特的ShapeNetCore模型的CAD模型对齐。我们提出了扫描查询的CAD模型,通过在ShapeNetCore上训练的自动编码器的潜在空间中采样,使用来自Scan2CAD数据集的相关CAD模型的特征向量。在潜在空间中,我们选择相关联的CAD模型的30个最近的邻居,并随机选择6个建议给用户。这使得一个扫描对象的排名相似性的描述,几个CAD模型,我们可以使用的细粒度评估的CAD模型检索。8753|+的|+方法垃圾桶浴缸床书架内阁椅子显示文件沙发表类平均值inst (k=10)inst (k=50)FFPH [27]0.090.060.010.030.020.050.080.020.020.010.030.020.04[29]第二十九话0.170.140.060.020.030.120.130.080.010.050.080.040.07PointNet [25]0.100.080.180.080.030.070.060.120.040.050.060.050.133DCNN [26]0.290.310.320.310.210.140.290.280.290.180.220.200.33我们的(无分段,无cmpl)0.140.130.230.110.070.150.140.280.190.180.160.140.22我们的(无cmpl)0.240.320.260.280.130.210.440.240.190.250.240.210.31Ours(no seg)0.500.530.520.510.480.440.510.530.470.500.490.480.49我们的(没有三胞胎)0.510.480.450.220.420.340.250.500.280.380.360.340.42我们的(无端到端)0.420.460.460.350.420.350.330.510.340.410.390.370.44我们0.510.520.500.510.510.480.500.550.510.490.500.490.50表1:关节扫描-CAD嵌入空间的评估。我们比较我们的学习扫描CAD特征空间,通过手工制作和学习的形状描述符计算的功能构造。我们评估了扫描和CAD之间的混淆,其中0。5、反映了一种完美的混乱。数据集统计为了构建我们的Scan-CAD对象相似性数据集和基准,我们聘请了三名大学生作为注释员,并对他们进行培训,使他们熟悉界面,确保我们任务的高质量注释。我们的最终数据集由5102个注释组成,涵盖31个不同的类别类别(来自ShapeNet类)。这些覆盖3979个独特的扫描对象和7650个独特的CAD模型。5.1. 基准评价我们还引入了一个新的基准来评估两者扫描CAD嵌入空间以及CAD模型检索。为了评估学习的嵌入空间,我们测量了一个混淆分数:对于每个对象嵌入特征,我们计算其k个最近邻居的扫描邻居的百分比和CAD邻居的百分比。最后的困惑分数是模型检索:检索精度和排序质量。在这里,我们采用我们的扫描CAD对象相似性数据集的扫描CAD相似性注释。对于检索精度和排名质量,我们考虑输入查询扫描,并从6个建议的CAD模型的集合中检索,并补充100个额外的随机选择的不同类别的CAD模型(为了反映不同的检索模型集对于检索精度,我们评估前1个检索到的模型是否位于标注为与查询扫描相似的模型集中。我们也评估排名;也就是说,对于具有n个等级注释的相似模型(n≤3)的地面实况注释,我们取前n个预测模型,并评估在正确等级中预测的模型的数量除以n。注意,对于CAD模型检索的任务,我们考虑在扫描的潜在背景杂波的上下文中扫描对象;也就是说,我们假设一个给定的对象,0的情况。5.1K|扫描|Σ1扫描k|cads|ΣΣCADs| {scan nbrs}|.检测作为输入,而不是对象分割。6. 结果和评价这描述了嵌入空间如何很好地混合这两者域,对较低级别的几何差异不可知。请注意,我们在一组嵌入式扫描和CAD特征上评估此混淆分数,其中扫描和CAD对象之间存在1对1映射,并使用k=10。0的混淆。5表示在对象周围的局部邻域中扫描对象和CAD对象为了评估语义嵌入质量,我们提出了两个分数的扫描CAD相似性的上下文中的CAD我们评估了我们学习的扫描CAD嵌入空间的质量,以及它在扫描对象的CAD模型检索任务中的应用,使用第5.1节中提出的混淆,检索精度和排名质量分数。此外,在表3中,我们基于检索到的模型的类是否正确来评估较粗糙的检索分数我们比较方法垃圾桶浴缸床书架内阁椅子显示文件沙发表其他 类平均值插入平均值FFPH [27]0.020.070.000.000.000.180.030.000.070.020.030.040.08[29]第二十九话0.000.200.090.000.010.060.120.000.070.020.030.050.04PointNet [25]0.380.000.610.230.040.430.370.170.090.130.070.230.293DCNN [26]0.520.330.480.460.140.280.380.330.170.180.320.330.31我们的(无分段,无cmpl)0.060.000.150.040.000.470.300.000.200.130.040.130.23我们的(无cmpl)0.130.070.150.120.040.370.380.000.150.260.090.160.24Ours(no seg)0.140.070.240.130.150.400.320.170.150.210.130.190.26我们的(没有三胞胎)0.030.130.390.040.110.070.080.000.130.090.040.100.08我们的(无端到端)0.420.270.480.070.150.420.270.250.350.210.320.290.328754我们0.500.600.420.190.260.550.450.250.330.320.430.390.43表2:在我们的Scan-CAD对象相似性基准测试中,CAD模型检索的前1名检索精度8755图4:我们的CAD模型检索结果,使用我们的联合嵌入空间对各种扫描和CAD查询可视化前4个检索模型我们的特征空间学习以语义上有意义的方式将扫描和CAD对象混合我们的方法使用最先进的手工形状描述符FPFH [27]和SHOT [29]以及从PointNet [25]学习的形状描述符和从[26]学习的体积3D我们评估FPFH和SHOT的点云均匀采样从网格表面的扫描和CAD对象,与所有的网格规范化位于一个单位球。我们通过使用网格的质心和半径1来计算整个对象的单个形状描述符。我们在从扫描和CAD对象中均匀采样的1024个点上训练PointNet进行对象分类,并在最终分类层之前提取256对于[26]的体积3D CNN,我们在扫描对象和CAD模型的32个3占用网格上进行训练,并在最终分类层之前提取512学习联合嵌入空间。 在表1中,我们展示了我们的模型能够学习非常混合的嵌入空间,其中扫描和CAD对象彼此之间的距离与它们与来自同一域的其他对象之间的距离一样近,同时保持空间中的语义结构。相比之下,以前的手工制作和学习的形状描述器导致隔离的特征空间与扫描对象,比CAD对象更接近扫描,反之亦然,见图。六、我们学习的扫描CAD嵌入空间如图所示。1,通过t-SNE可视化。我们还显示了图中建立的联合嵌入空间中各种查询的前4个最近邻居。4.在保持语义结构的前提下,从两个域中检索对象。与其他CAD模型检索方法的比较。使用我们学习的扫描和CAD对象的特征嵌入空间,我们评估它的CAD模型检索扫描对象几何形状的任务。表2和表4显示了我们的CAD检索质量与替代3D对象描述符的比较,使用我们的基准评估。图5示出了用于各种扫描查询的前1个CAD检索。我们从联合嵌入空间学习的特征在基于类别准确度的检索分数(表3)以及我们提出的更细粒度的检索评估分数上都实现了显着改进的检索。分割和完成步骤有多重要?表1、表2和表4表明,将扫描对象几何为更类似CAD的表示时的代理分割和完成步骤对于以下方面很重要8756图5:各种扫描查询的CAD模型检索结果(顶部1)(从左到右:钢琴、桌子、吉他、垃圾桶、床、台灯、梳妆台)。我们的扫描和CAD联合嵌入方法可以在比最先进的手工制作(FPFH [27],SHOT [29])和学习(PointNet[25],3DCNN [26])3D对象描述符更细粒度的级别上检索类似的模型从本质上讲,我们表明,端到端的训练显着改善学习嵌入空间。表3:使用基于类别的检索准确性评价,ward学习一个有效的联合嵌入空间,以及CAD模型检索,性能提高了20%和23%,分割和完成,重新排序,为我们的检索精度(类平均)。Addi-三重态损失公式的影响是什么?我们-使用三元组损失来训练共享空间中的特征嵌入显著地改进了嵌入空间的构造,以及从该空间的CAD模型检索。在表1、表2和表4中,我们显示了与仅使用正扫描-CAD关联而不是正样本和负样本来训练我们的模型的比较;正例和反例的三重约束产生了更加全局结构化的嵌入空间。方法Top-1Top-5FFPH [27]0.140.13[29]第二十九话0.070.08PointNet [25]0.490.453DCNN [26]0.570.47我们0.680.628757方法垃圾桶浴缸床书架内阁椅子显示文件沙发表其他 类平均值插入平均值FFPH [27]0.010.090.010.000.000.060.010.000.030.010.020.020.03[29]第二十九话0.000.060.010.000.010.030.020.000.040.010.010.020.02PointNet [25]0.220.030.240.150.040.160.110.000.020.040.050.100.123DCNN [26]0.230.030.310.160.070.110.120.130.090.070.120.120.13我们的(无分段,无cmpl)0.050.000.080.030.010.170.140.000.100.040.040.060.10我们的(无cmpl)0.080.000.060.040.020.150.120.060.060.110.050.070.10Ours(no seg)0.080.060.120.080.090.140.090.060.070.070.040.080.10我们的(没有三胞胎)0.010.060.130.030.040.030.020.060.040.040.050.050.04我们的(无端到端)0.140.180.120.040.060.180.140.130.160.080.120.120.13我们0.290.240.190.080.120.190.140.190.150.100.090.160.16表4:在我们的Scan-CAD对象相似性基准测试分割上对CAD模型检索的质量进行模型对旋转的鲁棒性如何?为了实现对扫描查询的旋转的鲁棒性,我们可以用旋转增强来训练我们的方法,对于任意旋转的扫描输入实现类似的性能(0.42实例平均检索精度,0.16实例平均排名质量)。更多细节请参见补充材料。6.1. 限制虽然我们的方法学习扫描和CAD对象几何之间的有效嵌入空间,但仍然存在一些重要的限制。例如,在扫描和CAD领域,我们只考虑物体的几何形状;考虑到颜色信息可能是用于联合嵌入或CAD模型检索的另一个强大信号。几何体也被表示为占用网格,其可以限制精细细节的分辨率。对于CAD模型检索任务,我们目前假设一个给定的对象检测,而3D对象检测最近取得了重大进展,检测和检索可能会受益于端到端的制定。7. 结论在本文中,我们提出了一种基于3D CNN的方法,联合映射扫描和CAD对象的几何形状到一个共享的嵌入空间。我们的方法利用了一个堆叠的沙漏架构,结合了三重损失,以跨-将扫描对象几何形状形成更类似CAD的表示,有效地学习联合特征嵌入空间。我们展示了我们学习的特征空间在CAD模型检索任务中的优势,并提出了几个新的评估分数用于更细粒度的检索评估,我们的方法在所有评估分数上都优于最先进的手工制作和学习方法。我们希望,学习这样一个联合扫描CAD嵌入空间将不仅打开CAD模型检索的新的可能性,但也有可能使映射或两个域之间的知识相互转移的确认这 项 工 作 得 到 了 Occipital , ERC Starting GrantScan2CAD(804724),Google Faculty Award,ZD.B.ONR MURI授权N 00014 -13-1-0341,NSF授权IIS-1763268,以及Vannevar Bush奖学金。我们还要感谢TUM-IAS的支持,由德国卓越计划和欧盟第七框架计 划 根 据 赠 款 协 议 n291763 资 助 , 用 于 TUM-IASRudolfMoßbauer奖学金和Hans Fischer高级教师奖学金(焦点小组视觉计算)。图6:通过t-SNE可视化的潜在空间的比较。实心三角形表示扫描对象,圆形表示CAD模型。虽然FPFH、SHOT和PointNet导致几乎完全不相交的聚类,但3DCNN能够将两个域的类彼此相邻,但不会混淆它们。我们的方法学习了一个嵌入空间,扫描和CAD对象混合在一起,但保持语义结构。8758引用[1] Armen Avetisyan , Manuel Dahnert , Angela Dai ,Manolis Savva , Angel X. Chang 和 Matthias Nießner 。Scan 2cad:学习rgb-d扫描中的cad模型对齐 在proc 计算机视觉和模式识别(CVPR),IEEE,2019。4[2] Sean Bell和Kavita Bala用卷积神经网络学习产品设计的视觉相似性。ACM Transactions on Graphics(TOG),34(4):98,2015. 2[3] 天 使 X Chang , Angela Dai , Thomas Funkhouser ,Maciej Halber , Matthias Niessner , Manolis Savva ,Shuran Song,Andy Zeng,and Yinda Zhang.Matterport3D:从室内环境中的RGB-D数据中学习国际3D视觉会议(3DV),2017年。一、二[4] 天使XChang,Thomas Funkhouser,Leonidas Guibas,Pat Hanrahan , Qixing Huang , Zimo Li , SilvioSavarese , Mano-lis Savva , Shuran Song , Hao Su ,Jianxiong Xiao,Li Yi,and Fisher Yu.ShapeNet:一个信息 丰 富 的 3D 模 型 库 。 技 术 报 告 arXiv : 1512.03012[cs.GR],斯坦福大学-普林斯顿大学-芝加哥丰田技术研究所,2015年。一、二、四[5] 陈定云和欧明辉。基于多分辨率reeb图的三维物体检索系统。计算机图形工作坊论文集,第16卷,2002年。2[6] Ding-Yun Chen,Xiao-Pei Tian,Yu-Te Shen,and MingOuhyoung.基于视觉相似性的三维模型检索研究。在计算机图形论坛,第22卷,第223-232页。Wi- ley在线图书馆,2003年。2[7] Sungjoon Choi,Qian-Yi Zhou,and Vladlen Koltun.室内场景的鲁棒重建。在2015年IEEE计算机视觉和模式识别会议(CVPR)中,第5556-5565页IEEE,2015年。1[8] 戴安琪,天使X. Chang,Manolis Savva,Maciej Hal-ber , Thomas Funkhouser , and Matthias Nießner.ScanNet:室内场景的丰富注释3D重建。在proc 计算机视觉与模式识别(CVPR)IEEE,2017年。一、二、四[9] AngelaDai , MatthiasNießner , MichaelZoll höfer ,ShahramIzadi,and Christian Theobalt.Bundlefusion:使用动态表面重新整合的实时全局一致3d重建。ACMTransactions on Graphics ( TOG ) , 36 ( 3 ) : 24 ,2017。1[10] Ran Gal,Ariel Shamir和Daniel Cohen-Or。姿态不经意的 形 状 签 名 。 IEEE transactions on visualization andcomputer graphics,13(2):261-271,2007。2[11] Robert Herzog , Daniel Mewes , Michael Wand ,Leonidas Guibas,and Hans-Peter Seidel. Lesss:学习了用于关联3D形状的多模态表示的共享语义空间。在计算机图形论坛,第34卷,第141-151页。Wiley OnlineLibrary,2015. 2[12] Masaki Hilaga,Yoshihisa Shinagawa,Taku Kohmura,and Tosiyasu L Kunii.全自动三维形状相似性估计的拓扑匹配。在第28届计算机图形和交互技术年会的会议记录中,第203-212页。ACM,2001年。2[13] Binh-Son Hua,Quang-Trung Truong,Minh-Khoi Tran,Quang-Hieu Pham , Asako Kanezaki , Tang Lee ,HungYueh8759Chiang,Winston Hsu,Bo Li,Yijuan Lu,et al.shrec17:rgb-d到cad检索与objectnn数据集。二、四、五[14] Shahram Izadi , David Kim , Otmar Hilliges , DavidMolyneaux , Richard Newcombe , Pushmeet Kohli ,Jamie Shotton , Steve Hodges , Dustin Freeman ,Andrew Davison,et al.运动融合:使用移动深度照相机的实时3D重建和交互。第24届ACM用户界面软件和技术研讨会集,第559-568页。ACM,2011年。1[15] 杨燕李,苏浩,查尔斯·瑞忠泰齐,诺亚·菲什,丹尼尔·科恩-奥尔,和列奥尼达斯·J。Guibas 通过cnn图像净化实现形状和图像的联合 ACM Trans.Graph. ,2015年。2[16] Tianqiang Liu , Aaron Hertzmann , Wilmot Li , andThomas Funkhouser. 3D家具模型的样式兼容性。ACMTransactions on Graphics ( Proc. SIGGRAPH ) , 34(4),2015年8月。4[17] 弗朗西斯科·马萨、布莱恩·C·拉塞尔和马修·奥布里。从真实视图到渲染视图的深度样本2d-3d检测。 在IEEE计算机视觉和模式识别会议论文集,第6024-6033页,2016年。2[18] RichardANewcombe 、 ShahramIzadi 、 OtmarHilliges 、 David Molyneaux 、 David Kim 、 Andrew JDavison 、 Pushmeet Kohi 、 Jamie Shotton 、 SteveHodges和Andrew Fitzgibbon。运动融合:实时密集表面 映 射 和 跟 踪 。 在 Mixed and augmented reality(ISMAR),2011年第10届IEEE国际研讨会上,第127-136页。IEEE,2011年。1[19] Alejandro Newell,Kaiyu Yang,and Jia Deng.用于人体姿态估计的堆叠沙漏网络。计算机可视化施普林格国际出版社,2016年。3[20] Mat thiasNießner, MichaelZoll höfer, ShahramIzadi ,andMarc Stamminger.利用体素散列法进行实时三维重建 。 ACM Transactions on Graphics ( TOG ) , 2013年。1[21] Ryutarou Ohbuchi,Takahiro Minamitani,and TsuyoshiTakei.利用增强形状函数进行三维模型的形状相似性搜索。计算机图形学理论与实践学报,2003年。第97-104页。IEEE,2003年。2[22] RobertOsada , ThomasFunkhouser, BernardChazelle , andDavidDobkin. 形 状 分 布 ACMTransactions on Graphics ( TOG) ,21 (4 ) :807-832,2002. 2[23] Xingchao Peng,Baochen Sun, Karim Ali ,and KateSaenko. 从 3d 模 型 中 学 习 深 度 对 象 检 测 器 。 在Proceedings of the IEEE International Conference onComputer Vision,第1278-1286页2[24] Quang-HieuPham,Minh-Khoi Tran,Wenhui Li,ShuXiang,Heyu Zhou,Weizhi Nie,Anan Liu ,YutingSu , Minh-Triet Tran , Ngoc-Minh Bui , et al. Shrec18:Rgb-d对象到cad检索。二、四、五[25] Charles R Qi,Hao Su,Kaichun Mo,and Leonidas JGuibas.Pointnet:用于3D分类和分割的点集深度学习。Proc.ComputerVisionandPatternRecognition(CVPR),IEEE,1(2):4,2017. 二五六七八8760[26] Charles Ruizhongtai Qi , Hao Su , Matthias Nießner ,Angela Dai,Mengyuan Yan,and Leonidas Guibas.用于三维数据对象分类的体积和多视图cnn在Proc. ComputerVision and Pattern Recognition ( CVPR ) , IEEE ,2016。二、四、五、六、七、八[27] Radu Bogdan Rusu,Nico Blodow和Michael Beetz。 快速点特征直方图三维配准。机器人与自动化,2009年。ICRA'09。IEEE国际会议,第3212-3217页。Citeseer,2009. 二五六七八[28] Hari Sundar,Deborah Silver,Nikhil Gagvani,and SvenDickinson.基于骨架的形状匹配与检索。2003年,国际造型大赛。第130-139页。IEEE,2003年。2[29] Federico Tombari、Samuele Salti和Luigi Di Stefano。用于 局 部 表 面 描 述 的 直 方 图 的 独 特
下载后可阅读完整内容,剩余1页未读,立即下载
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- VMP技术解析:Handle块优化与壳模板初始化
- C++ Primer 第四版更新:现代编程风格与标准库
- 计算机系统基础实验:缓冲区溢出攻击(Lab3)
- 中国结算网上业务平台:证券登记操作详解与常见问题
- FPGA驱动的五子棋博弈系统:加速与创新娱乐体验
- 多旋翼飞行器定点位置控制器设计实验
- 基于流量预测与潮汐效应的动态载频优化策略
- SQL练习:查询分析与高级操作
- 海底数据中心散热优化:从MATLAB到动态模拟
- 移动应用作业:MyDiaryBook - Google Material Design 日记APP
- Linux提权技术详解:从内核漏洞到Sudo配置错误
- 93分钟快速入门 LaTeX:从入门到实践
- 5G测试新挑战与罗德与施瓦茨解决方案
- EAS系统性能优化与故障诊断指南
- Java并发编程:JUC核心概念解析与应用
- 数据结构实验报告:基于不同存储结构的线性表和树实现
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)