00:00 / 02:28
连播
清屏
智能
倍速
点赞5
苏黎世理工发布!ShapeSplat高斯泼溅自监督数据集 3D高斯泼溅(3DGS)已经成为许多视觉任务中3D表示的事实标准。这要求在这种表示空间中直接进行3D理解。为了推动该方向的研究,我们首先使用常用的ShapeNet和ModelNet数据集构建了一个大规模的3DGS数据集。我们的数据集ShapeSplat包含来自87个独特类别的65,000个对象,其标签与相应的数据集一致。该数据集的创建相当于在TITAN XP GPU上使用了2年的计算时间。 我们利用自己的数据集进行无监督预训练以及分类和分割任务的有监督微调。为此,我们引入了Gaussian-MAE,突出了从高斯参数中进行表示学习的独特优势。通过详尽的实验,我们提供了若干有价值的见解。特别是,我们展示了以下几点:(1) 优化后的高斯泼溅(GS)中心点的分布与用于初始化的均匀采样点云显著不同;(2) 在仅使用中心点时,这种分布变化会导致分类任务的性能下降,但分割任务的性能提升;(3) 为了利用额外的高斯参数,我们提出了在归一化特征空间中进行高斯特征分组的方法,并引入了泼溅池化层,提供了一种定制化的解决方案,有效地分组并嵌入相似的高斯泼溅,从而在微调任务中显著提高性能。 文章名称:【ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining】 文章链接:https://arxiv.org/abs/2408.10906 作者单位:苏黎世联邦理工学院、索非亚大学、阿姆斯特丹大学、比萨大学、特伦托大学 项目主页:https://unique1i.github.io/ShapeSplat/ 待开源仓库:https://github.com/qimaqi/ShapeSplat-Gaussian_MAE#科技创新 #3D高斯泼溅
00:00 / 01:00
连播
清屏
智能
倍速
点赞27