提出一种鲁棒的方法,使用简化形状图形和图形匹配技术来找到不同表示方法下的形状区域对应关系,并且可以用于构建点对点的形状之间映射。
Oct, 2017
提出了一种非刚性多部位形状匹配算法,可同时解决参考模型的分割以及与多部位之间的稠密对应关系,实验证明其在处理非常具有挑战性的匹配场景方面有效。
Nov, 2020
我们提出了一种无监督数据驱动的方法用于非刚性形状匹配,通过建立层次化基于补丁的形状表示和约束形状匹配的 3D 近刚性变形模型,实现了对噪声和变形具有鲁棒性的匹配。实验证明,相比最先进的方法在原始 3D 扫描数据上获得了显著更好的结果,并在标准测试场景上表现相当。
Nov, 2023
该研究提出了一种新颖的局部二元描述符,并通过稀疏控制开发了一种简单而有效的迭代方法,以在两个近似等度的表面之间进行形状对应。
Mar, 2020
本文提出了一种通过描述符匹配、连续性限制和 DC 编程来解决三维形状匹配问题的方法,该方法可以在处理非等距变形、拓扑变化和不完整数据的情况下,有效地收敛到一种有意义的连续匹配方案,具有较好的可扩展性。
Jul, 2017
本文提出了一种基于稀疏表示的 3D 形状重构方法,通过解决优化问题中的非凸性,利用单个图像恢复了物体形状,并且提出了一个鲁棒的方法来处理二维对应关系中的大量误差。实验证明该方法可用于从单个图像中恢复 3D 人体姿势和汽车模型,相较于非凸基线方法,能够获得更好的效果。
Sep, 2015
本文提出一种基于功能映射框架的学习方法,用于直接解决非刚性形状对应问题,包括局部对应和参考地图未知情况下的对应,该方法可以在监督或无监督的情况下进行训练,从数据中直接学习描述符,提高了模型的稳健性和精度,在多个基准数据集上取得了最新的研究成果。
Oct, 2021
介绍了第一种完全无监督的对变形三维图形进行对应学习的方法,通过理解自然变形的形态变化近似保持曲面的度量结构,提出了一种驱动学习过程的自然准则,从而克服了对带注释数据的需求,并取而代之的是一种纯几何标准,学习模型不分含义类别,能够利用任何类型的可变形几何数据进行训练,相对于现有的专门针对训练期间观察到的类别的监督方法,我们展示出更强的泛化能力和应用于各种具有挑战性设置的能力,在广泛的对应基准测试中展示了我们的方法,在精度、泛化能力和效率方面均超过了其他方法。
Dec, 2018
该研究提出了一种新的学习框架,用于学习变形的 3D 形状之间的密集对应关系,通过使用一个在功能映射空间内的结构化预测模型,以及对两个形状定义的密集描述符场的输入和输出,得到在多个具有挑战性的基准测试中表现准确的对应关系。
Apr, 2017
本文提出了一种基于自编码器框架的方法,学习固定模板上的连续形状变形场,通过表面内和表面外的点监督变形场,并通过一种新的有符号距离正则化方法,实现了非刚性形状对齐,在清洁水密网格上训练,在面临噪声,异常值和自遮挡等挑战时表现出色,为现实世界数据的形状分析提供基础。
Mar, 2022