机构名称：
¥ 1.0
构建局部表面表示最近在3D视觉中引起了很大的关注，从而使复杂的3D形状成为较简单的局部地理序列。受到2D离散代表学习的进步的启发，最近的方法提出了将3D形状分解为常规网格，每个单元格与从可学习的代码簿中采样的离散代码相关联。不幸的是，现有方法忽略了局部刚性自相似性以及与方向可能变化有关的3D几何形状固有的歧义。因此，此类技术需要非常大的代码手册来限制几何和姿势的所有可能变异性。在这项工作中，我们提出了一种新颖的生成模型，该模型通过将local的几何形状紧密地嵌入旋转和翻译不变的manner中来证明产生质量。此策略允许我们的离散代码代码书通过避免本地和全局冗余来表达更大范围的几何结构。至关重要的是，我们通过仔细的体系结构设计表明，我们的方法可以从本地嵌入中恢复有意义的形状，同时确保全球一致性。进行的实验表明，在相似的设置下，我们的方法优于基线方法。
rivq-vae：离散旋转不变的3D表示学习
主要关键词
相关文件推荐
