【论文标题】Self-Supervised Viewpoint Learning From Image Collections 【视角预测】从图像集中进行自监督的视角学习（CVPR20） 【作者团队】Siva Karthik Mustikovela, Varun Jampani, Shalini De Mello, Sifei Liu, Umar Iqbal, Carsten Rother, Jan Kautz 【发表时间】2020/04/03 【论文链接】https://arxiv.org/pdf/2004.01793.pdf 【论文代码】https://github.com/NVlabs/SSV 【推荐理由】 本文提出了一种从图像集中进行自监督的视角学习方法，文章已经发表在CVPR2020上。 训练深度神经网络以估计物体的视角需要大量的标记训练数据。然而，众所周知，手动标记视角很难，容易出错且耗时。另一方面，从互联网（例如汽车或人脸）上挖掘许多未分类的物体类别图像相对容易。作者试图回答这样的研究问题：是否可以仅通过自监督将这种未标记的图像集合成功地用于训练一般物体类别的视角预测网络。这里的自监督是指网络具有的唯一真正的监督信号就是输入图像本身。作者提出了一种新颖的学习框架，该框架结合了生成式分析范式，利用生成网络以视角预测的方式重构图像，并具有对称性和对抗性约束，以成功地监督该视角预测网络。结果表明，对于人脸，汽车，公共汽车和火车等几个物体类别，该方法相比较完全监督方法具有一定的竞争优势。该工作为自监督的视角学习开辟了进一步的研究，并为其提供了坚实的基线。

内容中包含的图片若涉及版权问题，请及时与我们联系删除