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

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

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

计算机视觉和图形领域，使用功能映射和最优传输处理非刚性形状匹配问题，采用切片沃舍尔斯坦距离作为最优传输度量，在无监督形状匹配框架中通过功能映射正则化和源自切片沃舍尔斯坦距离的最优传输损失增强形状特征对齐，同时采用熵正则化最优传输的自适应细化过程进一步提高准确的点对点对应关系，有效地处理非刚性形状匹配，包括近等度和非等度情景，并在分割转换等后续任务中表现出卓越性能。

Mar, 2024

本文提出了一种基于平滑壳的迭代对齐方法，该方法融合了经典的形状配准和功能映射，通过将输入形状嵌入内外积空间来处理本质对称性，解决了实际扫描中常见的噪声问题，并在多个数据集上展示出优秀的定量结果。

May, 2019

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

该论文提出了一种自监督的深度表面变形方法，其中采用了循环一致性来定义物体组中的良好对应关系，并将其用作监督信号来训练神经网络。该方法在没有模板、假定近似等距变形或依赖于点对应监督的情况下运行，并成功地将其用于传输形状间的分割。该方法在 Shapenet 上表现优于当前同类方法，特别是在少量标注样本的情况下。

Jul, 2019

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

本论文提出用深度学习的方法，引入形状变形网络，同时编码 3D 形状和相应关系，通过将表面表示因子化为模板和学习的全局特征向量相结合，来匹配可变形的形状。

Jun, 2018

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