3D Sketching using Multi-View Deep Volumetric Prediction

sketch到体素的一篇，特点是通过单张线框图生成体素模型之后，用户可以继续输入其他视角的线框图来对模型进行进一步精细化。

架构

在论文中，他们训练了两个神经网络，一个single-view CNN用于初次预测，一个updater CNN用于更新模型。两个神经网络的架构基本是一样，都使用了unet架构，唯一的差别是updater CNN在encode的第二层contact了之前预测的体素数据（经过transform，和本次输入的sketch同一视角）


这样通过updater可以输入任意多的视角的sketch信息，但是由于每次只能更新一个视角，使得每次经过update之后，可能又和其他视角不一致了。因此文中又提出了一种迭代方法，通过把不同 视角的sketch依次输入，多次更新直到预测结果收敛

在试验中，作者还发现即使每次更新所使用的都是同一个视角的sketch，输出模型的效果也会明显变好，作者猜测这可能是因为这样多次update的架构模仿了更深的神经网络。