単一視点3D再構成ネットワークはどのようなことを学習するのか？

単一視点からの物体再構成に用いられる畳み込みネットワークは、その印象的な性能により研究の重要な主題となっています。既存のすべての手法は、出力空間の3次元構造について非自明な推論を行うエンコーダー-デコーダーネットワークという共通のアイデアを持っています。本研究では、画像分類と検索をそれぞれ行う2つの代替アプローチを設定しました。これらの単純な基準モデルは、定性的および定量的に最先端の手法よりも優れた結果を示しています。我々は、エンコーダー-デコーダーメソッドが統計的にこれらの基準モデルと区別できないことを示し、これにより単一視点からの物体再構成における現時点での最先端技術が実際には再構成ではなく画像分類を行っていることを指摘しています。また、この挙動を引き起こす人気のある実験手順の側面を特定し、研究の現状を改善する方法について議論します。