使用生成模型的无监督学习具有发现3D场景丰富表示的潜力。这种神经场景表示可能随后支持各种下游任务,从机器人技术到计算机图形再到医学成像。然而,现有的方法忽略了场景最基本的属性之一:三维结构。在这项工作中,我们使神经场景表征与一个感应偏差的三维结构的情况。我们证明了这种归纳偏差如何使无监督的发现几何和外观,只给定的二维图像。通过学习一组这样的三维结构感知神经表征的分布,我们可以执行联合重建的三维形状和外观只给出一个单一的二维观察。我们表明,在这个过程中学习到的特征使整个类对象的三维语义分割成为可能,只训练了30个带标记的例子,证明了三维形状、外观和语义分割之间的紧密联系。最后,我们讨论了场景表示学习在计算机视觉本身中的本质和潜在作用,并讨论了未来工作的前景。

成为VIP会员查看完整内容
71

相关内容

自监督学习(self-supervised learning)可以被看作是机器学习的一种“理想状态”,模型直接从无标签数据中自行学习,无需标注数据。
【新书】自然语言处理表示学习技术,349页pdf,清华大学
专知会员服务
151+阅读 · 2020年7月11日
【开放书】SLAM 中的几何与学习方法,62页pdf
专知会员服务
87+阅读 · 2020年6月5日
【自监督学习】OpenAI科学家一文详解自监督学习
产业智能官
21+阅读 · 2020年3月18日
OpenAI科学家一文详解自监督学习
新智元
13+阅读 · 2019年11月20日
图数据表示学习综述论文
专知
36+阅读 · 2019年6月10日
2017上半年无监督特征学习研究成果汇总
北京思腾合力科技有限公司
3+阅读 · 2017年9月15日
已删除
Arxiv
25+阅读 · 2020年3月23日
Arxiv
16+阅读 · 2019年3月28日
Explanatory Graphs for CNNs
Arxiv
4+阅读 · 2018年12月18日
Two Stream 3D Semantic Scene Completion
Arxiv
4+阅读 · 2018年7月16日
Arxiv
6+阅读 · 2018年1月29日
VIP会员
相关论文
已删除
Arxiv
25+阅读 · 2020年3月23日
Arxiv
16+阅读 · 2019年3月28日
Explanatory Graphs for CNNs
Arxiv
4+阅读 · 2018年12月18日
Two Stream 3D Semantic Scene Completion
Arxiv
4+阅读 · 2018年7月16日
Arxiv
6+阅读 · 2018年1月29日
微信扫码咨询专知VIP会员