ResNet也能用在3D模型上了,清华「计图」团队新研究已开源
打破2D到3D的壁垒
鱼羊 发自 凹非寺
量子位 报道 | 公众号 QbitAI
用AI处理二维图像,离不开卷积神经网络(CNN)这个地基。
不过,面对三维模型,CNN就没有那么得劲了。
主要原因是,3D模型通常采用网格数据表示,类似于这样:
这些三角形包含了点、边、面三种不同的元素,缺乏规则的结构和层次化表示,这就让一向方方正正的CNN犯了难。
△CNN原理图,图源:维基百科
那么像VGG、ResNet这样成熟好用的CNN骨干网络,就不能用来做三维模型的深度学习了吗?
并不是。
最近,清华大学计图(Jittor)团队,就首次提出了一种针对三角网格面片的卷积神经网络SubdivNet。
基于SubdivNet,就可以将成熟的图像网络架构迁移到三维几何学习中。
并且,相关论文和代码均已开源。
基于细分结构的网格卷积网络
所以,SubdivNet是如何打破2D到3D之间的壁垒的呢?
具体而言,这是一种基于细分结构的网格卷积网络。
对于输入的网格数据,先进行重网格化(remesh),构造细分结构,得到一般网格的多分辨率表示;而后,再上重头戏——面片卷积方法和上下采样方法。
面片卷积方法
以往的网格深度学习方法,通常是将特征存储在点或者边上,这就带来了一个问题:点的度数是不固定的,而边的卷积并不灵活。
于是,计图团队提出了一种在面片上的网格卷积方法,以充分利用每个面片与三个面片相邻的规则性质。
并且,基于这样的规则性质,研究团队进一步依据面片之间的距离,设计了多种不同的卷积模式。
△k为卷积核大小,d为空洞长度
由于三维数据格式中的面片顺序不固定,SubdivNet在计算卷积结果时,通过取邻域均值、差分均值等方式,使得计算结果与面片顺序无关,满足排列不变性。
上下采样方法
再来看上下采样的部分。
SubdivNet受到传统的Loop细分曲面建模的启发,构造了一种基于细分结构的上下采样方法。
也就是说,在池化(下采样)过程中,由于网格数据已经经过重网格化,其面片具有细分连接结构,就可以4片变1片,从高分辨率转为低分辨率,实现面片特征的池化操作。
而在上采样的过程中,则反过来,让面片一分为四。
如此一来,上下采样方式就是规则且均匀的,还可以实现双线性插值等需求。
结合面片卷积方法和上下采样方法,像VGG、ResNet、DeepLabV3+这样经典2D卷积网络,就可以轻松迁移到3D模型的深度学习中。
值得一提的是,SubdivNet方法是基于清华大学的深度学习框架计图(Jittor)实现的。其中,计图框架提供了高效的重索引算子,无需额外的C++代码,即可实现邻域索引。
实验结果
至于SubdivNet的效果如何,不妨直接看看实验结果。
首先,在网格分类数据集上,SubdivNet在SHREC11和Cube Engraving两个数据集中,首次达到了100%的分类正确率。
在网格分割方面,量化指标下,SubdivNet的分割准确率均高于用于对比的点云、网格方法。
而在形状对应实验中,SubdivNet也达到了SOTA水准。
关于作者
这篇论文来自清华大学计算机系胡事民教授团队。
作者是胡事民及其博士生刘政宁、国孟昊、黄家辉等,还有卡迪夫大学Ralph Martin教授。
同时,他们也是清华“计图”框架团队成员。
计图是首个由中国高校开源的深度学习框架,开发团队均来自清华大学计算机系图形学实验室,负责人是胡事民教授。
该实验室的主要研究方向是计算机图形学、计算机视觉、智能信息处理、智能机器人、系统软件等,在ACM TOG, IEEE TVCG, IEEE PAMI, ACM SIGGRAPH, IEEE CVPR, IEEE ICRA, USENIX ATC等重要国际刊物上发表论文100余篇。
目前,开发计图的主力,是该实验室梁盾、杨国烨、杨国炜、周文洋、刘政宁、李相利、国孟昊和辛杭高等一批博士生。
与TensorFlow、PyTorch不同,计图是一个完全基于动态编译,使用元算子和统一计算图的深度学习框架。
此前,在可微渲染、动态图推理等方面,计图都有超越PyTorch的表现。
论文地址:
https://arxiv.org/abs/2106.02285
项目地址:
https://github.com/lzhengning/SubdivNet
参考链接:
https://mp.weixin.qq.com/s/tJjarzqU7MvS_pHWWO3JYQ
— 完 —
- o1满血版泄露!奥数题图片推理手拿把掐,奥特曼上线剧透o22024-11-03
- 科研版AI搜索来了!知乎直答接入正版论文库,一手实测在此2024-11-01
- 微软清华改进Transformer:用降噪耳机原理升级注意力,一作在线答疑2024-11-03
- 全国第二!智平方荣获第十三届全国创新创业大赛初创型企业全国总决赛第二名(新一代信息技术赛道)2024-11-03