Apr, 2019

ZoomOut: 高效形状对应的谱上采样

PDF
TL;DR论文介绍了一种基于频谱域迭代上采样的简单有效的地图或对应关系细化方法，并说明了如何将该方法应用于对称性检测、完整形状的地图细化、非刚性部分形状匹配和函数转换等一系列应用场景中，证明了该方法相比最佳竞争方法具有更高的结果质量和计算速度，并且对于噪声输入具有鲁棒性和扩展形状复杂性。最后，文章提出了一个理论上的方法，揭示了功能地图的结构属性。
发现论文，激发创造
  • 光谱与空间相遇：协调 3D 形状匹配和插值

    本研究提出了一个统一的框架，用于预测 3D 形状之间的点对应和形状插值，结合了深度函数映射和经典表面变形模型，在谱域和空间域中进行形状映射。实验结果表明，该方法在形状匹配和插值方面优于以往最先进的方法，甚至超过了有监督学习方法。

    Feb, 2024

  • 强度谱形匹配的无监督学习

    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

  • MapTree：在地图空间中恢复多个解决方案

    该论文提出了一种计算 3D 形状之间多个高质量近等距密集对应的新方法，利用基于频谱映射表达的紧凑树结构和有效的初始点映射方法实现对目标形状的对应和对称性检测，从而实现更精确的形状匹配。

    Jun, 2020

  • 通过功能映射实现连续且保持方向的对应

    本文提出了一种方法，利用函数映射框架高效计算非刚性形状之间具有保方向和近似连续性的对应关系，并通过引入新的方法对初始函数映射进行改进，从而获得高质量的点对应关系。研究表明，该方法在保持连续性和覆盖率方面显著优于现有技术，并且产生的对应关系是有意义的。

    Jun, 2018

  • DPFM: 深度部分函数映射

    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

  • 空间和光谱一致的深度功能映射

    基于循环一致性，在非刚性形状匹配中，通过在频谱和点对点表示之间设计无监督的深度功能映射方法，实现了状态良好、抗扭曲性能和优越的泛化性能。

    Aug, 2023

  • 结构形状匹配的无监督深度学习

    本篇论文提出一种新方法，使用无监督学习计算三维形状之间的对应关系。该方法使用描述符函数的非线性变换，并同时优化映射结果的全局结构性质，例如双射性或近似等度性，在最近邻域上进行匹配，从而有望在不需要先验信息的情况下建立三维形状集合内部的对应关系。

    Dec, 2018

  • 零样本图像特征一致性与深度函数图

    使用功能映射方法来提高大规模视觉模型训练中的对应关系地图的质量，并在各种密集对应任务中取得了最新的最佳性能。

    Mar, 2024

  • 深度 Fourier 上采样

    本研究提出了一种理论上有根据的 Deep Fourier Up-Sampling（FourierUp）来解决空间上采样运算符在全局建模中存在的局限性，包括对象检测、图像分割、图像去雨、图像去雾、引导图像超分辨率等多个计算机视觉任务的实验表明 FourierUp 的出色性能表现。

    Oct, 2022

  • 使用拉普拉斯特征函数和无监督点配准的关节形状匹配

    该研究论文提出了一种基于图形而非基于点的匹配算法，通过使用谱图理论将图形映射到低维空间来对齐形状和避免姿态变化带来的不变性问题，该算法通过直方图匹配来选择拉普拉斯矩阵的最佳特征函数子集以提高性能，并将形状匹配转化为点注册的问题。

    Dec, 2020