摘要
在本文中，我们研究了对以形状图表示的3D模型进行语义注释的问题。我们采用功能视图来表示图上的局部信息，因此注释（如部件分割或关键点）可以视为0-1指示顶点函数。与作为2D网格的图像不同，形状图是不规则且非同构的数据结构。为了通过卷积神经网络预测这些顶点函数，我们采用了谱域CNN方法，该方法通过在由图拉普拉斯特征基张成的谱域中参数化核来实现权重共享。在此背景下，我们的网络命名为SyncSpecCNN，旨在克服两个主要挑战：如何在一个单一形状的不同部分之间共享系数并进行多尺度分析，以及如何在相关但不同的形状之间共享信息，这些形状可能由非常不同的图表示。为了解决这些问题，我们引入了谱域膨胀卷积核的参数化方法和谱变换网络。实验结果表明，我们在多种任务上测试了SyncSpecCNN，包括3D形状部件分割和3D关键点预测，在所有基准数据集上均取得了最先进的性能。