我们提出了一个基于学习的非刚性形状配准框架，无需对应关系监督，通过学习深度功能图所产生的高维嵌入来指导源网格向目标点云进行形变，动态更新并过滤对应关系以提高稳健性，在未进行对齐的输入下，我们训练了一个基于方向回归器的模型以降低对外在对齐的要求，实证结果表明，我们的方法在多个非刚性点云匹配基准数据集上取得了最先进的结果，并能够在具有显著外在和内在形变的挑战性形状对之间提供高质量的对应关系。

Nov, 2023

本文提出了一种基于学习的算法，用于变形、两两匹配的三维医学图像注册，通过使用卷积神经网络（CNN）模型并利用一个空间变换层，从而实现快速计算新的扫描成像时的配准场，且无需监督信息。我们可以在不破坏匹配场平滑性的前提下，底层地在一张图像中重构另一张图像，并在实践中将其速度提高数个数量级以上，从而有望显著加速医学图像分析和处理管道的速度，同时促进学习医学图像配准及其应用的新方向。

Feb, 2018

该研究提出了一种新的注册框架 HumanReg，通过学习两个人体点云之间的非刚性变换，引入了身体先验来有效处理这种类型的点云。与大多数现有的需要昂贵的点对点流注释的监督注册技术不同，HumanReg 可以以自我监督的方式进行训练，借助一组新的损失函数。为了使我们的模型更好地收敛于实际数据，我们还提出了预训练策略以及一个由动态、稀疏人体点云及其自动生成的地面真值注释组成的合成数据集（HumanSyn4D）。我们的实验表明，HumanReg 在 CAPE-512 数据集上实现了最先进的性能，在另一个更具挑战性的真实世界数据集上实现了定性结果。此外，我们的消融研究证明了合成数据集和新的损失函数的有效性。我们的代码和合成数据集可在此 https 网址找到。

Dec, 2023

利用 SyNoRiM，我们提供一种新的方法，通过同步点云上定义的学习功能的映射以联合注册多个非刚性形状，以既处理非刚性形状，又处理多体情况为特点，避免了点对点排列的昂贵优化。

Nov, 2021

本研究提出了一种新型的基于 PTF 和多类占据网络的学习框架，以更准确地进行穿着的人类模型参数化配准和表面重建。

Apr, 2021

本文提出了一种基于平滑壳的迭代对齐方法，该方法融合了经典的形状配准和功能映射，通过将输入形状嵌入内外积空间来处理本质对称性，解决了实际扫描中常见的噪声问题，并在多个数据集上展示出优秀的定量结果。

May, 2019

本文提出了一种基于 Transformer 的非刚性 3D 点云高效配准方法，该方法采用数据驱动方式，借鉴 Transformer 架构并结合表面密度估计，可在不同场景中实现点云配准、纹理传递和形状插值，验证实验表明其优于现有方法。

Jun, 2021

本文提出了一种基于深度图的非参数方法，用于从单个 RGB 图像中估计人体的 3D 形状，并结合对抗训练进行优化，并在真实数据集上进行了验证。

Aug, 2019

提出了一种使用多视角视频输入，自动生成具有动画所需骨骼、体积形状、外观和（可选的）表面的装配演员模型，并估计演员运动的全自动算法。

Jul, 2016

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