PartNet: 細部および階層的な形状分割のための再帰的部品分解ネットワーク

3D形状セグメンテーションにおける深層学習アプローチは、通常、多クラスラベリング問題として定式化されます。既存のモデルは固定されたラベルセットに対して訓練されるため、その柔軟性と適応性が大幅に制限されます。そこで、トップダウンの再帰的分解を採用し、階層的な3D形状セグメンテーション用の最初の深層学習モデルを開発しました。このモデルは、点群として表現された完全な形状から始めて、階層内のすべてのノードで重みを共有する再帰的二分分解を行います。各ノードでは、ノード分類器が訓練され、その分解のタイプ（隣接または対称性）と停止基準を決定します。上位レベルのノードで抽出された特徴量は、再帰的に下位レベルのノードに伝播します。したがって、上位レベルでの意味のある分解は、下位レベルでのセグメンテーションを制約する強力な文脈情報を提供します。さらに、各ノードでのセグメンテーション精度を向上させるために、対応する部分から抽出された形状特徴量を再帰的な文脈特徴量に追加します。当手法は点群として表現された3D形状を形状の複雑さに応じて可変数の部分に分割し、高い汎用性と柔軟性を示しています。公開ベンチマークおよび本研究で提案される新しい細かいセグメンテーションベンチマークにおいて、微細なセグメンテーションと意味的なセグメンテーション双方で最先端の性能を達成しています。また、画像から形状への再構築における微細な部分改良への適用も示しています。