【CVPR2020-斯坦福】从RGB-D扫描对抗纹理优化，Adversarial Texture Optimization

真实的颜色纹理生成是RGB-D表面重建的一个重要步骤，但由于重建几何形状的不准确性、相机姿态的不正确以及与视图相关的成像伪影，在实践中仍然具有挑战性。在这项工作中，我们提出了一种利用从弱监督视图中获得的条件对抗损失来生成颜色纹理的新方法。具体地说，我们提出了一种方法，通过学习一个目标函数来生成近似表面的真实感纹理，即使是在未对齐的图像中。我们的方法的关键思想是学习一个基于补丁的条件鉴别器，它可以引导纹理优化对不匹配的容忍度。我们的鉴别器采用一个合成的视图和一个真实的图像，并在一个广义的真实感定义下评估合成的图像是否真实。我们通过提供输入视图的“真实”示例对及其未对齐的版本来训练鉴别器，这样学习到的竞争损失将能够容忍扫描的错误。在定量或定性评价下对合成和真实数据进行的实验表明，我们的方法与现有方法相比具有优势。我们的代码是公开的视频演示。