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。

成为VIP会员查看完整内容
16

相关内容

CVPR is the premier annual computer vision event comprising the main conference and several co-located workshops and short courses. With its high quality and low cost, it provides an exceptional value for students, academics and industry researchers. CVPR 2020 will take place at The Washington State Convention Center in Seattle, WA, from June 16 to June 20, 2020. http://cvpr2020.thecvf.com/
[CVPR 2020-港中文-MIT] 神经架构搜索鲁棒性
专知会员服务
25+阅读 · 2020年4月7日
【学界】旷视等提出GIF2Video:首个深度学习GIF质量提升方法
GAN生成式对抗网络
4+阅读 · 2019年1月15日
虚构的对抗,GAN with the wind
全球人工智能
4+阅读 · 2017年10月22日
Deflecting Adversarial Attacks
Arxiv
8+阅读 · 2020年2月18日
Arxiv
4+阅读 · 2018年9月25日
Arxiv
8+阅读 · 2018年5月21日
Arxiv
10+阅读 · 2018年3月23日
VIP会员
微信扫码咨询专知VIP会员