ALIGNet: 无监督学习下局部形状无关的对齐

Apr, 2018

ALIGNet: 无监督学习下局部形状无关的对齐

ALIGNet: Partial-Shape Agnostic Alignment via Unsupervised Learning

Rana Hanocka, Noa Fish, Zhenhua Wang, Raja Giryes, Shachar Fleishman...

TL;DR本文提出一种基于深度神经网络的形状对齐方法，利用形状数据集学习形状感知的先验，以解决传统方法在缺失重要形状部分时失效的问题，并通过各向异性全变分正则化对 ALIGNet 进行约束，从而使其适用于不完整的目标形状。我们展示了 ALIGNet 学习了形状集合的通用期望特征，能够在测试时产生合理的形变。

Abstract

The process of aligning a pair of shapes is a fundamental operation in computer graphics. Traditional approaches rely heavily on matching corresponding points or features to guide the alignment, a paradigm that falters when significant shape portions are missing. These techniques generally do not incorporate →

shape alignment deep neural network prior knowledge incomplete shapes total variation identity regularization

发现论文，激发创造

野外场景弱监督 3D 形状补全

本研究利用弱监督的方法，通过多视角几何约束来同时估计 3D 的标准形状和 6 自由度姿态，解决了学习未对准和真实世界部分点云的情况下，利用大量数据进行 3D 形状补全的问题。实验证明，学习姿势估计可以促进部分点云的配准。

Aug, 2020

ProAlignNet：无监督学习逐步对齐噪声轮廓

提出一个新的 ConvNet 模型 ProAlignNet，通过使用局部相关的相似度度量来训练，能够有效地解决非全局对齐的边缘形状对齐问题，在现实场景下的两个应用中得到了优于现有方法的结果表现。

May, 2020

特征对齐下的无监督部件发现

本文提出利用无监督学习的方法发现物体的不同部位，通过神经网络构建特征并实现物体识别和部位检测。

Dec, 2020

未见类别上的 3D 形状完成：一种弱监督方法

通过构建先验库和分析输入和先验之间的相关性，本文提出了一种弱监督框架来从未见过的类别中重建完整的 3D 形状，并通过自监督形状细化模型进一步改进了粗糙形状，实验证明我们的方法明显优于现有方法。

Jan, 2024

弱监督下的三维形状补全学习

本文提出了一种弱监督学习的三维形状补全方法，旨在解决从稀疏噪声点云进行三维形状补全的问题。与现有的数据驱动方法和基于学习的方法相比，该方法既不需要昂贵的优化步骤，也不需要直接监督，通过使用深度神经网络来学习最大似然拟合，具有高效和准确的形状补全能力。在来自 ShapeNet、ModelNet、KITTI 和 Kinect 的综合基准测试中，该方法能够与最近的完全监督基线相竞争，并且优于数据驱动方法，同时需要更少的监督并具有显着的速度优势。

May, 2018

类别不可知形状补全的去噪和对比度

本文介绍了一种深度学习模型，利用自我监督的力量来进行三维点云补足，估算缺失的部分和周围的上下文区域。

Mar, 2021

基于变形引导的非刚性形状匹配无监督方法

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

密集形状对应的自监督学习

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

单视角非刚性形状预测的几何感知网络

提出了一种基于几何感知的深度学习方法，能够在没有预先注册表面模板的情况下，通过单一视角的输入图像，精确预测可变形表面的 3D 形状，并采用合成数据集和真实基准数据集的实验证明其在 3D 形状预测上超越同类算法，且计算时间明显减少。

Sep, 2018

通过标签梯度对齐的半监督学习

我们提出了标签梯度对齐算法，它是一种半监督学习算法，用于为未标记的数据进行标记，然后用这些标记进行训练，将梯度模型转换成了一个具有语义意义的距离度量，通过梯度下降求解来对标记进行半监督学习，在半监督 CIFAR-10 分类中实现了最先进的准确性。

Feb, 2019