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
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
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
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
通过提出一种新的部分形状匹配方法,该方法可以通过特征匹配建立偏差和完整形状的直接对应关系,并使用功能地图中间空间。Gromov 距离是构建我们损失函数的第一部分的依据,另外我们还使用了基于映射保持面积属性的项以及无需计算功能地图的放松版本进行正规化,该方法在 SHREC'16 数据集上表现出卓越的性能,并且在 SHREC'16 HOLES 基准测试中超过了现有的无监督方法,并与有监督方法相比也具有卓越的结果。
Oct, 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
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。
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
本文介绍了一种针对三维人体形状的非刚性配准方法,该方法基于人体的参数化模型,并利用功能映射表示来在整个配准过程中编码和推断形状映射。该方法具有鲁棒性,可以应对实际环境中出现的各种干扰问题,包括非等距变换、降采样、拓扑噪声和遮挡等,在不同的形状表示下都可以适用,并且即使在出现缺失部分的情况下,也可以应用于实际的深度感测应用中。我们展示了该方法在一系列具有挑战性的任务上的效果,并且证明了该方法在相应领域达到了甚至超越了同类方法的效果。
Jul, 2018