对称性阅读笔记

合集 - 论文阅读(5)

1.对称性阅读笔记01-16

2.可微分Top-K 方法01-213.三个点云深度学习网络的理解01-064.论文阅读：P2PFormer02-015.论文阅读：城市形象02-04

收起

 1. A fast and efficient 3D reflection symmetry detector based on neural networks

　　首先收集大量具有反射对称性的 CAD 网格模型作为训练数据，然后将每个网格模型转换为密集点云，其中位于对称平面上的点标记为正。

　　基于 PointNet++ 架构，我们训练了一个多尺度深度神经网络，以自动从点云中捕获反射对称属性。

　　采用一种新颖的加权交叉熵损失函数来平衡正样本和负样本。

　　在推理过程中，我们首先将下采样的点云输入训练好的神经网络。然后，使用输出的逐点分类结果，使用 RANSAC 策略和最小二乘法计算初始对称平面方程。最后，执行迭代最近点算法来优化拟合的对称平面。

2. E3Sym: Leveraging E(3) Invariance for Unsupervised 3D Planar Reflective Symmetry Detection

　　平面对称性：每个点相对于对称平面都有一个对应的镜像点，并且对应关系在任何欧几里得变换下保持不变。

　　E3Sym 通过利用 E(3) 不变性以无监督和端到端的方式检测平面反射对称性。

　　从轻量级神经网络中提取的 E(3) 不变特征来建立稳健的点对应关系，从中生成密集对称性预测。检测任意数量的平面对称性，从不完整形状推断合理平面对称性。

　　一般来说，具有相似外观或几何结构的对称对应关系具有位置和方向不变性。

对称方法分为三类：

　　基于匹配的 [27, 49, 46]、基于采样的 [43, 7, 31, 16, 20] 和基于回归的 [15, 11, 42] 方法。

　　（1）基于匹配的方法通过成对匹配局部形状特征、生成潜在对称平面并对其进行优化，以获得合理的解决方案来检测对称性。因此，基于匹配的方法的关键是使局部形状特征相对于欧几里得变换具有鲁棒性或不变性。

　　（2）借助深度神经网络的表达能力和大量训练数据，基于回归的方法以监督[15, 42]或无监督[11]的方式回归对称参数或对称点坐标来检测对称性。

3.SymmetryNet: Learning to Predict Reflectional and Rotational Symmetries of 3D Shapes from Single-View RGB-D Images

　　预测逐点对称位置和对称平面（或对称轴）上的足点，并在推理过程中对预测的对称性进行聚类和过滤。

4. PRS-Net：PRS-Net: Planar Reflective Symmetry Detection Net for 3D Models

　　PRS-Net [11] 是第一个无监督对称性检测方法，可以同时检测反射对称性和旋转对称性；然而，反射平面和旋转轴的数量受限制，并且网络参数随着预测反射平面和旋转轴的数量的增加而近似线性增加。