矩阵完成算法实现的功能对应
我们提出了一种全面功能的几何矩阵完成问题视图，相比现有作品，我们提出了一种新颖的正则化方法，受到功能映射文献的启发，更具可解释性和理论上的可靠性，并在强烈的基础几何结构的合成任务上表现出比现有技术高出数个数量级的潜力，在真实数据集上，我们仅以先前方法的一小部分计算成本取得了最先进的结果。
Sep, 2020
本文提出了一种计算非刚性形状之间部分函数对应的方法，利用摄动分析展示了何以通过去除形状部件改变 Laplace-Beltrami 特征函数，进而将其作为先验应用到对应的谱表示中，匹配的部分是问题中的优化变量，用于加权函数对应；找到最小化对应失真的最大和最规则（在 Mumford-Shah 意义下）的部分。我们证明了我们的方法可以处理非常具有挑战性的对应设置。
Jun, 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
本文提出了一种全可微的流程，用于估计三维点云之间的准确密集对应，基于从数据学习基础并使用嵌入网络，实现端到端可训练的对应方法，在挑战性的非刚性三维点云对应应用中实现了最新的结果。
Oct, 2020
针对低秩矩阵完成问题，本文提出了一种基于几何目标函数的优化算法，解决了 Frobenius 度量方法的无法连续和解集不闭合的困难，并为特殊完成方案提供了强大的性能保证。
Jun, 2010
通过提出一种新的部分形状匹配方法，该方法可以通过特征匹配建立偏差和完整形状的直接对应关系，并使用功能地图中间空间。Gromov 距离是构建我们损失函数的第一部分的依据，另外我们还使用了基于映射保持面积属性的项以及无需计算功能地图的放松版本进行正规化，该方法在 SHREC'16 数据集上表现出卓越的性能，并且在 SHREC'16 HOLES 基准测试中超过了现有的无监督方法，并与有监督方法相比也具有卓越的结果。
Oct, 2023
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
本文提出了一种方法，利用函数映射框架高效计算非刚性形状之间具有保方向和近似连续性的对应关系，并通过引入新的方法对初始函数映射进行改进，从而获得高质量的点对应关系。研究表明，该方法在保持连续性和覆盖率方面显著优于现有技术，并且产生的对应关系是有意义的。
Jun, 2018
本文旨在以无监督的方式学习拓扑变异物体的密集三维形状对应关系，引入了一种新的隐式函数，该函数为每个三维点生成一个部分嵌入向量，实现对点的密集对应，通过面向部分的逆函数将部分嵌入向量映射到对应的三维点上，结合几个有效的损失函数进行联合学习。在推断期间，用户选择源形状上的任意点时，算法可以自动生成相应点的置信度分数和语义点，有效提升人造物体的形状分割及无监督三维语义对应。
Oct, 2020