鲁棒基于结构的形状对应
我们提出了一种新的基于稀疏建模方法的非刚性形状匹配算法,通过检测可重复区域,建立形状间的精确对应关系,并以非常完美的表现在标准基准数据集上得到了定量和定性的评估。
Sep, 2012
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
提出了一种基于学习的方法,用于计算非刚性三维形状之间的对应关系。该方法利用从原始形状几何中直接学习的特征提取网络,结合一种基于功能映射表示的正则化地图提取层和损失函数,能够从比现有的监督方法少的训练数据中学习,并且比当前基于描述符学习的方法更加普适。
Mar, 2020
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
该论文提出了一种整合先进的深度形状特征到新型整数线性规划部分形状匹配公式的优化方法,能够在低分辨率的形状上获得全局最优解,并通过粗到精的过程进行改进,相比于现有的几何一致算法,我们的方法在处理部分形状时能够找到更可靠的结果且匹配更为平滑,同时能够避免使用补齐几何形状的方法。
Sep, 2023
本文提出一种新颖的零样本方法,用于计算 3D 模型之间的对应关系,特别是针对具有很强差异性和不同类别之间匹配的问题,并在零样本情况下使用 language-vision model 方法进行分类,使用 ChatGPT 生成语义映射,并使用 functional maps framework 进一步细化到点对点映射。
Jun, 2023
该研究将形状匹配视为度量学习,使用卷积神经网络进行实现,在将图像表示分解为边缘图像的生成和使用结构从运动流水线自动获取地标图像的边缘图像的过程中进行网络训练。该方法在域泛化,基于通用素描的图像检索或其精细分类等多个任务上得到了改进并实现了多重基准的最新结果。与其他为每个任务,对象类别或领域学习不同的方法不同,该方法在所有实验中使用相同的网络,取得了最先进的结果。
Sep, 2017
本文提出了新型的等距多形状匹配问题的优化公式,并介绍了适合解决这种公式的优化算法,提供了收敛性和复杂性分析,对不同数据集进行了实验,取得了最新的等距多形状匹配的最好表现。
Dec, 2020