DPFM: 深度部分函数映射
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
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
本文提出了一种计算非刚性形状之间部分函数对应的方法,利用摄动分析展示了何以通过去除形状部件改变 Laplace-Beltrami 特征函数,进而将其作为先验应用到对应的谱表示中,匹配的部分是问题中的优化变量,用于加权函数对应;找到最小化对应失真的最大和最规则(在 Mumford-Shah 意义下)的部分。我们证明了我们的方法可以处理非常具有挑战性的对应设置。
Jun, 2015
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
本文提出了一种方法,利用函数映射框架高效计算非刚性形状之间具有保方向和近似连续性的对应关系,并通过引入新的方法对初始函数映射进行改进,从而获得高质量的点对应关系。研究表明,该方法在保持连续性和覆盖率方面显著优于现有技术,并且产生的对应关系是有意义的。
Jun, 2018