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。

Apr, 2019

本文提出了新型的等距多形状匹配问题的优化公式，并介绍了适合解决这种公式的优化算法，提供了收敛性和复杂性分析，对不同数据集进行了实验，取得了最新的等距多形状匹配的最好表现。

Dec, 2020

提出一种鲁棒的方法，使用简化形状图形和图形匹配技术来找到不同表示方法下的形状区域对应关系，并且可以用于构建点对点的形状之间映射。

Oct, 2017

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

本文提出了一种使用基于 Octree 的结构并采用神经网络处理隐式特征进行 LiDAR 测量的大规模三维重建方法，并利用二进制交叉熵损失来优化局部特征。在此基础上，设计出一种具有正则化性能的增量式映射系统，以解决连续学习中遗忘问题。实验结果显示，本方法相较其他先进技术具有更高的精确性、完成度和内存效率。

Oct, 2022

通过一个简单的概率模型，我们分析了如何从任意的 functional maps 中回复点对点的映射，并且消除了许多当前已有方法中所需的假设，特别是输入形状近似等距的限制。实验证明，该方法在非常具有挑战性的情况下显着提高了精度。

Jun, 2015

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

我们介绍了一个适用于任何物理环境中的个体树木映射的评价框架，并在注释成本和适用目标方面进行了考虑。我们对不同方法和深度架构进行了回顾和比较，并引入了一种新的方法，证明它在分割和检测之间是一个很好的折中方案。

Nov, 2023

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

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