基于弱监督的深度函数地图用于形状匹配
本文探讨了深度函数地图方法中所学特征函数的本质以及如何将其用于点描述,在此基础上,我们提出了一种改进的方法来使学习特征的结构显著改进匹配结果,并成功地将内在和外在表面学习框架结合起来。
Mar, 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
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
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
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
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
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
本论文提出了一种基于 DiffusionNet 的新型深度学习方法,用于非刚性形状匹配,在不使用不稳定的外在描述符的情况下,通过向量场损失函数实现方向保持的同时学习方向感知特征。
Apr, 2022