Resumen La abstracción de objetos 3D con primitivas geométricas simples como cuboides nos permite inferir información estructural a partir de geometría compleja. Es importante para la comprensión de formas 3D, análisis estructural y modelado geométrico. Introducimos un novedoso enfoque de aprendizaje autoguiado de fino a grosero para abstraer colecciones de formas 3D. Nuestro diseño arquitectónico nos permite reducir el número de primitivas de cientos (reconstrucción fina) a solo unas pocas (abstracción grosera) durante el entrenamiento. Esto permite a nuestra red optimizar el error de reconstrucción y adherirse a un número especificado por el usuario de primitivas por forma mientras aprende simultáneamente una estructura coherente en toda la colección de datos. Logramos esto a través de nuestra formulación de pérdida de abstracción que penaliza cada vez más las primitivas redundantes. Además, introducimos una formulación de pérdida de reconstrucción que tiene en cuenta no solo la aproximación de superficie, sino también la conservación del volumen. Combinar ambas contribuciones nos permite representar formas 3D con mayor precisión con menos primitivas cúbicas que trabajos anteriores. Evaluamos nuestro método en colecciones de formas hechas por el hombre y humanoides comparando con métodos de aprendizaje de última generación en bancos de pruebas comúnmente utilizados. Nuestros resultados confirman una mejora sobre técnicas anteriores de abstracción de forma basadas en cuboides. Además, demostramos nuestra abstracción cúbica en tareas posteriores como agrupamiento, recuperación y detección de simetría parcial.
Kobsik et al. (Sat,) estudiaron esta cuestión.