摘要

视觉识别的一个核心目标是从单张图像中理解物体和场景。得益于大规模学习和通用表示方法的发展，二维（2D）识别已经取得了巨大进展。相比之下，三维（3D）识别面临着新的挑战，这些挑战主要来源于图像中未显示的遮挡问题。以往的研究尝试通过多视图推断或依赖稀少的计算机辅助设计（CAD）模型和类别特定的先验知识来克服这些问题，但这些方法限制了其在新环境中的扩展应用。在这项工作中，我们探索通过学习受自监督学习进展启发的通用表示来进行单视图3D重建。我们提出了一种简单的框架，该框架可以处理单个物体或整个场景的3D点云，并结合类别无关的大规模训练数据集，从多样化的RGB-D视频中进行训练。我们的模型——多视图压缩编码（Multiview Compressive Coding, MCC）——学会了将输入的外观和几何信息进行压缩，以预测3D结构，这通过查询一个具有3D感知能力的解码器实现。MCC的通用性和高效性使其能够从大规模且多样化数据源中学习，并对由DALL·E 2生成的新颖物体或使用iPhone在野外捕获的物体具有强大的泛化能力。