Resumo A abstração de objetos 3D com primitivas geométricas simples, como cuboides, nos permite inferir informações estruturais a partir de geometria complexa. É importante para a compreensão de formas 3D, análise estrutural e modelagem geométrica. Introduzimos uma abordagem nova de aprendizado auto-supervisionado de fino a grosso para abstrair coleções de formas 3D. Nosso design arquitetônico nos permite reduzir o número de primitivas de centenas (reconstrução fina) para apenas algumas (abstração grossa) durante o treinamento. Isso permite que nossa rede otimize o erro de reconstrução e se adere a um número especificado pelo usuário de primitivas por forma, ao mesmo tempo em que aprende uma estrutura consistente em toda a coleção de dados. Conseguimos isso através de nossa formulação de perda de abstração, que penaliza cada vez mais primitivas redundantes. Além disso, apresentamos uma formulação de perda de reconstrução para considerar não apenas a aproximação da superfície, mas também a preservação do volume. Combinar ambas as contribuições nos permite representar formas 3D de maneira mais precisa com menos primitivas de cuboide do que trabalhos anteriores. Avaliamos nosso método em coleções de formas feitas pelo homem e humanoides, comparando com métodos de aprendizado anteriores de estado-da-arte em benchmarks comumente utilizados. Nossos resultados confirmam uma melhoria em relação às técnicas anteriores de abstração de forma baseadas em cuboide. Além disso, demonstramos nossa abstração de cuboide em tarefas subsequentes como agrupamento, recuperação e detecção de simetria parcial.
Kobsik et al. (Sat,) estudaram essa questão.