ZeroShape: آنچه می توانیم از این مدل قوی مبتنی بر رگرسیون نتیجه گیری کنیم

چکیده و 1 مقدمه

2. کارهای مرتبط

3. روش و 3.1. معماری

3.2. ضرر و 3.3. جزئیات پیاده سازی

4. بررسی داده ها

4.1. مجموعه داده های آموزشی

4.2. معیار ارزیابی

5. آزمایش ها و 5.1. معیارها

5.2. خطوط پایه

5.3. مقایسه با روش های SOTA

5.4. نتایج کیفی و 5.5. مطالعه ابلیشن

6. محدودیت ها و بحث

7. نتیجه گیری و مراجع

الف. مقایسه کیفی اضافی

ب. استنباط در مورد تصاویر تولید شده توسط هوش مصنوعی

ج. جزئیات مدیریت داده

7. نتیجه گیری

ما یک مدل مبتنی بر رگرسیون قوی برای بازسازی شکل شات صفر ارائه می دهیم. هسته مدل ما یک نمایش میانی از سطح مرئی سه بعدی است که استدلال هندسی سه بعدی صریح موثر را تسهیل می کند. ما همچنین یک معیار ارزیابی بزرگ در دنیای واقعی را برای آزمایش روش‌های بازسازی شکل صفر شات تهیه می‌کنیم. معیار ما داده‌ها را از سه مجموعه داده سه‌بعدی مختلف در دنیای واقعی جمع‌آوری می‌کند و دارای مقیاس بزرگ‌تری نسبت به مجموعه‌های آزمایشی مورد استفاده در کار قبلی است. مدل ما که بر روی معیار ما آزمایش شده است، علیرغم آموزش با داده های سه بعدی بسیار کمتر، به طور قابل توجهی از سایر روش های SOTA بهتر عمل می کند و به راندمان محاسباتی بالاتری دست می یابد. امیدواریم تلاش ما گامی معنادار به سمت ساخت مدل‌های بازسازی سه بعدی قابل تعمیم صفر باشد.

تصدیق. این کار توسط …

Source link