密集形状对应的自监督学习

Dec, 2018

Self-supervised Learning of Dense Shape Correspondence

Oshri Halimi, Or Litany, Emanuele Rodolà, Alex Bronstein, Ron Kimmel

TL;DR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。

Abstract

We introduce the first completely unsupervised correspondence learning approach for deformable 3d shapes. Key to our model is the understanding that natural deformations (such as changes in pose) approximately pr

unsupervised correspondence learning deformable 3d shapes metric structure distortion-minimizing predictions class-agnostic

发现论文，激发创造

通过稠密对应实现可变形物体的隐式形状表示的自监督学习

使用自监督学习方法为可变形物体学习神经隐含形状表示法，无需特定语义领域的额外注释和大量变形约束，可用于纹理转移和形状编辑应用。

Aug, 2023

无监督循环一致形变用于形状匹配

该论文提出了一种自监督的深度表面变形方法，其中采用了循环一致性来定义物体组中的良好对应关系，并将其用作监督信号来训练神经网络。该方法在没有模板、假定近似等距变形或依赖于点对应监督的情况下运行，并成功地将其用于传输形状间的分割。该方法在 Shapenet 上表现优于当前同类方法，特别是在少量标注样本的情况下。

Jul, 2019

深度功能映射：用于稠密形状对应关系的结构化预测

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

循环函数映射：非等度形变形状之间的自监督对应

该研究提出了一个基于自我监督的网络，用于在非等度形状之间进行密集的对应映射，解决了在非欧几里得域中对齐的问题，相较于已知的自我监督和监督方法取得了最先进的结果。

Dec, 2019

深度外壳：基于最优输运的无监督形状对应

采用多尺度匹配管道和深度神经网络的无监督学习方法实现 3D 形状对应，其使用基于优化传输的最优正则化方法来创建完全可微的层次匹配管道，并利用光滑的截断谱卷积滤波器提取本地特征，其在多个数据集上比最新的监督方法显著改善，并能够很好地推广到偏离训练集的示例

Oct, 2020

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

3D-CODED : 通过深度变形进行 3D 对应

本论文提出用深度学习的方法，引入形状变形网络，同时编码 3D 形状和相应关系，通过将表面表示因子化为模板和学习的全局特征向量相结合，来匹配可变形的形状。

Jun, 2018

MvDeCor：用于精细三维分割的多视角稠密对应学习

本研究提出了一种利用自我监督技术在二维领域进行细粒度三维形状分割任务的方法，并实现对 3D 形状的多视角表征，透过对比学习框架中密集对应关系的学习任务，实现对 2D 表征的无视角和几何一致性特性的学习，经实验表明，该方法在纹理和无纹理的三维数据集上的表现优于现有的最先进方法，尤其在训练仅局限于少量标记数据或形状纹理较丰富时的表现更加优异，证明了二维处理和三维几何推断对该方法整体的提升效果。

Aug, 2022

CorrNet3D: 3D 点云密集对应的无监督端到端学习

本文介绍了一种基于无监督和端到端深度学习的框架 CorrNet3D，以学习 3D 形状之间的密集对应关系，并证明了其相对于最先进的方法具有更好的性能，源代码和预先训练好的模型可通过链接获得。

Dec, 2020

多模态非刚性三维形状匹配的自监督学习

通过将基于网格的功能映射正则化与连续损失相结合的自监督多模态学习策略相结合，我们提出了一种形状匹配方法，它能够针对三角形网格、完整点云和部分观测点云获得同模式和跨模态的对应关系，并在多个基准数据集上取得了最先进的结果，具有先前未见的跨数据集普适性。

Mar, 2023