#11
summarized by : Naoya Chiba
Convolutional Occupancy Networks
Songyou Peng, Michael Niemeyer, Lars Mescheder, Marc Pollefeys, Andreas Geiger

どんな論文か？

Occupancy Networksに畳み込みを導入した．Implicit Representationsを用いた三次元形状の表現は局所的な特徴を保持できず細かい形状が表現しにくいという課題があった．形状全体を単一の特徴量で表現せず，（三次元/二次元）格子点上での特徴量をあらかじめU-Netで計算しておき三次元の各点での特徴量を補間，各三次元点に対応するOccupancyをMLPで出力する．
placeholder

新規性

三次元空間で空間中に分布した特徴量を用いるImplicit Neural Representationsを提案．U-Net構造のCNNでエンコードした後補間することで，連続で空間的に密な特徴量を計算できる．2Dに投影して各投影面に沿ったCNNで扱う場合と3D CNNでそのまま扱う場合を評価．

結果

ShapeNetを用いた物体形状の再構成，ボクセルからの超解像，Synthetic Indoor Scene Dataset・ScanNet v2・Matterport3Dを用いたシーンの形状の再構成で検証．各種ベースライン手法（ONet, PointConv, SPSR）と2D版・3D版を比較し，提案法が優れることと，タスクによって2D/3Dでメモリ効率や精度にトレードオフがあることを示した．

その他（なぜ通ったか？等）

Occupancy NetworkなどのImplicit Neural Representationの局所空間をキャプチャしていないという問題に対して，早い時期にストレートなアプローチでの結果を提示し，性能を適切に評価した．

このページで利用されている画像は論文から引用しています．