我们提出了一种新的基于学习的方法来进行 3D 形状匹配，可以在完全非监督的情况下进行训练，并可准确处理非等距形状、局部形状、不同离散化或拓扑噪声的形状。

Apr, 2023

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

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

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

本研究提出了一种深度学习多形状匹配算法，利用 shape-to-universe 多匹配表示，并结合强大的 functional map 正则化，从而在不依赖于显式模板形状的情况下确保循环一致的多匹配，并在几个具有挑战性的基准数据集上取得了最新的最好结果。

Jul, 2022

我们提出了一种用于非刚性 3D 形状匹配的新型无监督学习方法。通过改进最新的深度功能映射方法，我们的方法适用于广泛的不同挑战性场景。我们系统地研究了功能映射解算器生成的功能映射和基于特征相似性的逐点映射之间的耦合关系，并提出了一种自适应功能映射解算器和顶点级对比损失以获得更具区别性的特征。在包括非同构形变、拓扑噪声和部分性等不同挑战性数据集上，我们证明了我们的方法明显优于现有的最先进方法。

Oct, 2023

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

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

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

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