Mehrere Ansichten, Silhouetten- und Tiefenzerlegung für hochaufgelöste 3D-Objektrepräsentation

Wir betrachten das Problem der Skalierung tiefer generativer Formmodelle auf hohe Auflösungen. Inspiriert durch die kanonische Ansichtsdarstellung von Objekten, führen wir eine neuartige Methode zur schnellen Aufskalierung von 3D-Objekten im Voxelraum ein, die durch Netzwerke realisiert wird, die Superresolution auf den sechs orthographischen Tiefenprojektionen durchführen. Dies ermöglicht es uns, hochaufgelöste Objekte mit einer effizienteren Skalierung zu generieren als Methoden, die direkt im 3D-Raum arbeiten. Wir zerlegen das Problem der 2D-Tiefensuperresolution in Silhouette- und Tiefenvorhersage, um sowohl Struktur als auch feine Details zu erfassen. Dies ermöglicht unserer Methode, scharfe Kanten leichter zu generieren als ein einzelnes Netzwerk. Wir evaluieren unsere Arbeit anhand mehrerer Experimente bezüglich hochaufgelöster 3D-Objekte und zeigen, dass unser System in der Lage ist, neuartige Objekte in Auflösungen bis zu 512$\mathbf{\times}$512$\mathbf{\times}$512 – der höchsten gemeldeten Auflösung für diese Aufgabe – genauer vorherzusagen. Wir erzielen Spitzenleistungen bei der Rekonstruktion von 3D-Objekten aus RGB-Bildern im ShapeNet-Datensatz und demonstrieren zudem die erste effektive Methode zur 3D-Superresolution.