Key points are not available for this paper at this time.
Wir untersuchen die Verallgemeinerungsfähigkeiten neuraler signierter Distanzfunktionen (SDFs) zum Lernen von 3D-Objektdarstellungen für ungesehene und nicht beschriftete Punktwolken. Bestehende Methoden können SDFs für eine Handvoll von Objektklassen anpassen und bieten feine Details oder schnelle Inferenzgeschwindigkeiten, generalisieren jedoch nicht gut für ungesehene Formen. Wir führen einen zweistufigen, halbüberwachten Meta-Lernansatz ein, der Formprioritäten von beschrifteten auf nicht beschriftete Daten überträgt, um ungesehene Objektkategorien zu rekonstruieren. Die erste Stufe verwendet ein episodisches Trainingsschema, um das Training an nicht beschrifteten Daten zu simulieren und initiale Formprioritäten meta-zu lernen. Die zweite Stufe führt dann nicht beschriftete Daten mit getrennten Klassen in einem halbüberwachten Schema ein, um diese Prioritäten zu diversifizieren und die Verallgemeinerung zu erreichen. Wir bewerten unsere Methode sowohl an synthetischen Daten als auch an real gesammelten Punktwolken. Experimentelle Ergebnisse und Analysen bestätigen, dass unser Ansatz bestehende neuronale SDF-Methoden übertrifft und in der Lage ist, robuste Zero-Shot-Inferenz für über 100 ungesehene Klassen durchzuführen. Der Code ist verfügbar unter https://github.com/princeton-computational-imaging/gensdf.
Chou et al. (Mon,) haben diese Frage untersucht.