通过学习的函数映射同步进行多路非刚性点云配准
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
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
提出了 MultiBodySync，一个新颖的、端到端可训练的多体运动分割和刚体配准框架，利用光谱同步和迭代深度声明网络解决多扫描多体情形下的运动分割和匹配问题，实现了在不同对象类别上的强泛化能力。
Jan, 2021
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
我们提出了一个新的基于神经隐式函数表达的框架，用于处理噪声和不完整点云的注册问题，并通过一个分阶段的优化方式，实现了点云的精确匹配，避免了点对应计算，提升了鲁棒性和精度。
Apr, 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
该研究提出了一种新的注册框架 HumanReg，通过学习两个人体点云之间的非刚性变换，引入了身体先验来有效处理这种类型的点云。与大多数现有的需要昂贵的点对点流注释的监督注册技术不同，HumanReg 可以以自我监督的方式进行训练，借助一组新的损失函数。为了使我们的模型更好地收敛于实际数据，我们还提出了预训练策略以及一个由动态、稀疏人体点云及其自动生成的地面真值注释组成的合成数据集（HumanSyn4D）。我们的实验表明，HumanReg 在 CAPE-512 数据集上实现了最先进的性能，在另一个更具挑战性的真实世界数据集上实现了定性结果。此外，我们的消融研究证明了合成数据集和新的损失函数的有效性。我们的代码和合成数据集可在此 https 网址找到。
Dec, 2023