3D-PRNN：使用递归神经网络生成形状基元

每天一分钟，带你读遍机器人顶级会议文章

标题：3D-PRNN: Generating Shape Primitives with Recurrent Neural Networks

作者：Chuhang Zou,Ersin Yumer,Jimei Yang,Duygu Ceylan,Derek Hoiem

来源：International Conference on Computer Vision (ICCV 2017)

播音员：zzzzzq

编译：倪志鹏 周平（94）

欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

摘要

机器人技术，数字内容创建和可视化在内的各种成功的应用需要有限传感器数据的3D世界的结构化和抽象表示。

受人类对一系列简单三维形状感知的启发，我们研究了基于原始图像对抽象形状的表示。

给定对象的单个深度图像，呈现了3D-PRNN，即一种生成性递归神经网络，其合成了多个接近真实的形状（这些现状由一组基元组成）。

我们的生成模型编码了常见人造物体的对称特征，保留了远程结构连贯性，并以紧凑的表示形式描述了不同复杂程度的物体。

我们还提出了一种基于高斯场的方法，用来生成基于图元的形状表示的大规模数据集，该数据集用以训练我们的网络。

我们用了很多例子来评估我们的方法，并表明它优于基于最近邻的形状检索方法，并且与使用较少的参数空间的生成模型（基于体素）相当。

图１

作为说明，给定单个深度图像，我们依次预测形成该形状的基元组。 每次我们从一组中随机采样一个基元并生成当前样本的下一组基元条件。

图２ 算法过程

Abstract

The success of various applications including robotics,digital content creation, and visualization demand a structured and abstract representation of the 3D world from limited sensor data.

Inspired by the nature of human perception of 3D shapes as a collection of simple parts, we explore such an abstract shape representation based on primitives.

Given a single depth image of an object, we present 3D-PRNN, a generative recurrent neural network that synthesizes multiple plausible shapes composed of a set of primitives.

Our generative model encodes symmetry characteristics of common man-made objects, preserves long-range structural coherence, and describes objects of varying complexity with a compact representation.

We also propose a method based on Gaussian Fields to generate a large scale dataset of primitive-based shape representations to train our network.

We evaluate our approach on a wide range of examples and show that it outperforms nearest-neighbor based shape retrieval methods and is on-par with voxel-based generative models while using a significantly reduced parameter space.

如果你对本文感兴趣，想要下载完整文章进行阅读，可以关注【泡泡机器人SLAM】公众号（paopaorobot_slam）。

欢迎来到泡泡论坛，这里有大牛为你解答关于SLAM的任何疑惑。

有想问的问题，或者想刷帖回答问题，泡泡论坛欢迎你！

泡泡论坛：http://paopaorobot.org/forums/

泡泡机器人SLAM的原创内容均由泡泡机器人的成员花费大量心血制作而成，希望大家珍惜我们的劳动成果，转载请务必注明出自【泡泡机器人SLAM】微信公众号，否则侵权必究！同时，我们也欢迎各位转载到自己的朋友圈，让更多的人能进入到SLAM这个领域中，让我们共同为推进中国的SLAM事业而努力！