SCoDA: Domain Adaptive Shape Completion for Real Scans

要約

【タイトル】リアルスキャンに対するドメイン適応型形状補完のSCoDA

【要約】
– ポイントクラウドからの3D形状補完は困難なタスクであり、特にリアルワールドのオブジェクトのスキャンからの場合は困難度が高い。
– リアルスキャンに対する3D形状のグラウンドトゥルースが乏しいため、既存の作品は、主に3Dコンピュータ支援設計モデルなどの合成データでこのタスクをベンチマークにしてきた。しかしながら、合成とリアルデータの間に存在するドメインギャップはこれらの方法の汎用性を制限している。
– このため、我々はドメイン適応型形状補完の新たなタスクSCoDAを提案する。また、精湛なアーティストによってスキャンに基づいて作成された一連の精巧な3DモデルがScanSalonデータセットとして提供される。
– この新しいタスクに対応するため、我々は知識転移のための新しいクロスドメイン特徴融合法と、堅牢なリアルデータからの学習のための新しいボリューム整合性の自己学習フレームワークを提案する。
– 幅広い実験により、我々の方法が6%〜7% mIoUの改善をもたらすことが証明された。

要約(オリジナル)

3D shape completion from point clouds is a challenging task, especially from scans of real-world objects. Considering the paucity of 3D shape ground truths for real scans, existing works mainly focus on benchmarking this task on synthetic data, e.g. 3D computer-aided design models. However, the domain gap between synthetic and real data limits the generalizability of these methods. Thus, we propose a new task, SCoDA, for the domain adaptation of real scan shape completion from synthetic data. A new dataset, ScanSalon, is contributed with a bunch of elaborate 3D models created by skillful artists according to scans. To address this new task, we propose a novel cross-domain feature fusion method for knowledge transfer and a novel volume-consistent self-training framework for robust learning from real data. Extensive experiments prove our method is effective to bring an improvement of 6%~7% mIoU.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI