等距多形状匹配

Dec, 2020

Isometric Multi-Shape Matching

Maolin Gao, Zorah Lähner, Johan Thunberg, Daniel Cremers, Florian Bernard

TL;DR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。

Abstract

Finding correspondences between shapes is a fundamental problem in computer vision and graphics, which is relevant for many applications, including 3D reconstruction, object tracking, and style transfer. The vast majority of correspondence methods aim to find a solution between pairs of shapes, even if multiple instances of the same class are available. Whil

shape correspondence isometric multi-shape matching optimization algorithm cycle-consistent state-of-the-art

发现论文，激发创造

无监督的深度多形状匹配

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

零射 3D 形状对应

本文提出一种新颖的零样本方法，用于计算 3D 模型之间的对应关系，特别是针对具有很强差异性和不同类别之间匹配的问题，并在零样本情况下使用 language-vision model 方法进行分类，使用 ChatGPT 生成语义映射，并使用 functional maps framework 进一步细化到点对点映射。

Jun, 2023

几何一致的部分形状匹配

该论文提出了一种整合先进的深度形状特征到新型整数线性规划部分形状匹配公式的优化方法，能够在低分辨率的形状上获得全局最优解，并通过粗到精的过程进行改进，相比于现有的几何一致算法，我们的方法在处理部分形状时能够找到更可靠的结果且匹配更为平滑，同时能够避免使用补齐几何形状的方法。

Sep, 2023

非刚性拼图

提出了一种非刚性多部位形状匹配算法，可同时解决参考模型的分割以及与多部位之间的稠密对应关系，实验证明其在处理非常具有挑战性的匹配场景方面有效。

Nov, 2020

循环函数映射：非等度形变形状之间的自监督对应

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

鲁棒基于结构的形状对应

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

通过核匹配实现高效的可变形形状对应

本文提出了一种通过描述符匹配、连续性限制和 DC 编程来解决三维形状匹配问题的方法，该方法可以在处理非等距变形、拓扑变化和不完整数据的情况下，有效地收敛到一种有意义的连续匹配方案，具有较好的可扩展性。

Jul, 2017

几何一致性下的部分对部分形状匹配

我们的研究建立在几何一致性为重要约束的基础上，利用三角形乘积空间的新型整数非线性规划形式和基于线性整数规划的剪枝算法，在部分 - 部分匹配中实现了几何一致性，并生成了一个新的跨类别数据集，我们的方法在已有的类内数据集和我们的新跨类别数据集上均优于当前的技术水平方法。

Apr, 2024

CCuantuMM: 多形状循环一致量子混合匹配

本文介绍了一种利用量子混合方法的三维多形状匹配方法，从而实现循环一致性，并采用现代绝热量子硬件迭代计算，该方法将 N 个形状的情况简化为一系列三形状匹配，实现了线性可扩展性。在基准数据集上，该方法显着优于之前的量子混合两形状匹配方法的多形状匹配扩展，并且与传统的多匹配方法相当。

Mar, 2023

深度形状匹配

该研究将形状匹配视为度量学习，使用卷积神经网络进行实现，在将图像表示分解为边缘图像的生成和使用结构从运动流水线自动获取地标图像的边缘图像的过程中进行网络训练。该方法在域泛化，基于通用素描的图像检索或其精细分类等多个任务上得到了改进并实现了多重基准的最新结果。与其他为每个任务，对象类别或领域学习不同的方法不同，该方法在所有实验中使用相同的网络，取得了最先进的结果。

Sep, 2017