本文主要是介绍小白的论文学习笔记《Unsupervised Learning of Probably Symmetric Deformable 3D Objects from Images in the Wild》，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
这篇论文用百度翻译出来中文题目就是：从野外图像中无监督学习可能对称的可变形三维物体。
我本科是学机械的，然后现在研一转成了视觉方向，这也算是我第一次读三维视觉的文章，现在基础知识非常薄弱，所以有许多地方可能会有问题还希望各位能批评指正。
这篇文章主要写的是：从一幅图像中重建可变形物体实例的3D姿态、形状、反照率和光照，具有极佳的保真度。
文章提出了一种在没有外部监督的情况下，从原始单视角图像中学习3D可变形对象类别的方法。该方法基于自动编码器，自动编码器将每个输入图像分解为深度、反照率、视点和照度。
许多物体类别是对称的。假设一个物体是完全对称的，人们可以通过简单地镜像图像来获得它的虚拟第二视图。事实上，如果镜像图像对之间的对应关系可用，3D重建可以通过立体重建来实现。受此启发，我们试图利用对称性作为几何线索来约束分解。（但是事实上是不对称的）
解决对称性问题的两种方式：
1、显式地（explicitly）对光照进行建模，并且利用其潜在的对称性，并且通过这样，模型可以利用照明作为恢复形状的附加提示。
2、对模型进行扩充，解释对象中潜在的对称性不足
将上面所说的元素组合在一个end-to-end的学习公式中，所有组件都只从原始RGB（红绿蓝）数据中学习。
对称性还可以通过翻转内部表示来增强，这对从概率角度推理对称性特别有用。
本文的方法使用对象类别的单视角图像作为训练数据，假设对象属于弱对称的特定类别(例如人脸)，并且输出能够将该类别的任何图像分解成形状、反照率、照明、视点和对称概率的单目预测器。
然后文章紧接着介绍了：
照片几何自动编码器
对称是如何建模的
图像形成的细节和补充感知损失
其中具体的原理公式我还处于懵逼状态，下面附有文章的地址，大家感兴趣可以读一下。
论文链接：
https://arxiv.org/abs/1911.11130
代码地址：
https://github.com/elliottwu/unsup3d
demo地址：
http://www.robots.ox.ac.uk/~vgg/blog/unsupervised-learning-of-probably-symmetric-deformable-3d-objects-from-images-in-the-wild.html
这篇关于小白的论文学习笔记《Unsupervised Learning of Probably Symmetric Deformable 3D Objects from Images in the Wild》的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
