#470
summarized by : 寺田英雄
CvxNet: Learnable Convex Decomposition

どんな論文か?

・微分可能な凸(Convex)分解による新しい3D形状の表現法を提案し、CvxNetと呼ぶ autoencor 型ネットワークでこの凸表現を再構成できる新しいアーキテクチャを提案。 ・CvxNetの入力は、2D画像、距離画像、点群表現、ボクセルグリッドなどが可能。出力された表現は、リアルタイム物理シミュレーション・グラフィクスその他の幅広い応用が可能である。
placeholder

新規性

微分可能な凸プリミティブによる3D物体表現手法と、これを扱う autoencoder アーキテクチャーの提案

結果

従来よりも精細度の高い再構成表現を得られ、Depth-to-3D 再構成タスクにて、SOTAを多くの指標で凌駕する性能を示した。

その他(なぜ通ったか?等)

・この新しい凸表現は、少ない計算量でポリゴンメッシュに変換可能であるため、人間の解釈性が高い点に優れいている。(重い等値面処理が不要) ・End-to−Endで学習可能とするため、かなり複雑な損失関数の設計を解説している。損失関数の設計事例として参考になる。