平面パッチに基づく適応型オクツリー畳み込みニューラルネットワーク（Octree Convolutional Neural Networks、O-CNN）が提案され、効果的な3次元形状の符号化および復号化に使用されます。ボクセルベースまたはオクツリーベースの畳み込みニューラルネットワーク（CNN）とは異なり、ボクセルと同じ解像度で3次元形状を表す代わりに、O-CNNは異なるレベルのオクツリー ノードを適応的に表現し、各オクツリーノード内の3次元形状を平面パッチを用いてモデリングします。この適応的な表現に基づいて、3次元形状を符号化および復号化するための適応型O-CNNエンコーダーおよびデコーダーが設計されました。適応型O-CNNエンコーダーは平面パッチの法線および変位を入力として取り込み、各レベルのオクツリーノードでのみ3D畳み込み操作を実行します。一方、適応型O-CNNデコーダーは各レベルのオクツリーノードの形状占有率および細分化状態を推論し、各最適なリーフオクツリーノードの平面法線および変位を推定します。単一画像の形状予測を通じて、適応型O-CNNの生成タスクの効率性および有効性が検証され、ベベル距離誤差は0.274でOctGenの0.294を下回り、より良い再構築効果を達成しました。平面パッチに基づく適応型O-CNNは、3D形状解析および生成の汎用フレームワークとして、メモリおよび計算コストを削減するだけでなく、既存の3D-CNN手法よりも優れた形状生成能力を持っています。

コンピュータビジョン;3D再構築;畳み込みニューラルネットワーク;ニューラルネットワーク