鲁棒性非刚性形状匹配的隐式场监督

ECCVMar, 2022

鲁棒性非刚性形状匹配的隐式场监督

Implicit field supervision for robust non-rigid shape matching

Ramana Sundararaman, Gautam Pai, Maks Ovsjanikov

TL;DR本文提出了一种基于自编码器框架的方法，学习固定模板上的连续形状变形场，通过表面内和表面外的点监督变形场，并通过一种新的有符号距离正则化方法，实现了非刚性形状对齐，在清洁水密网格上训练，在面临噪声，异常值和自遮挡等挑战时表现出色，为现实世界数据的形状分析提供基础。

Abstract

Establishing a correspondence between two non-rigidly deforming shapes is one of the most fundamental problems in visual computing. Existing methods often show weak resilience when presented with challenges innate to real-world data such as noise, outliers, self-occlusion etc. On the o

non-rigid shape correspondence auto-decoder framework shape-wise deformation field signed distance regularisation real-world data

发现论文，激发创造

通过稠密对应实现可变形物体的隐式形状表示的自监督学习

使用自监督学习方法为可变形物体学习神经隐含形状表示法，无需特定语义领域的额外注释和大量变形约束，可用于纹理转移和形状编辑应用。

Aug, 2023

基于变形引导的非刚性形状匹配无监督方法

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

密集形状对应的自监督学习

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

用显式变形场增强隐式神经形状表示

本文探讨一种新方法 -- 变形感知正则化 -- 以更好地学习隐式神经表示形式，使其对隐式表示形式的变形具有可接受的合理性，并演示了其在如柔性变形等问题中的良好效果。

Aug, 2021

3D-CODED : 通过深度变形进行 3D 对应

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

弯曲自编码器：形状和外观的无监督分解

Deforming Autoencoders 是一种用于图像生成的生成模型，通过无监督方式将形状与外观分离。使用模板坐标系表示形状，并且可以成功分解面部图像成明暗和反照率两部分，在模板坐标系上更强大的无监督分解变得可能。

Jun, 2018

无监督稠密变形嵌入网络用于基于模板的形状对应

该文章提出了一种新的神经网络 (UD^2E-Net) 用于从非刚性形状的密集局部特征中学习预测形状之间的形变，通过外部 - 内部自编码器将物体的几何特征从源到目标进行转换，并引入了一个参数化变形图和一个追踪传播算法来提高变形质量和效率。

Aug, 2021

DeepDeform: 半监督学习非刚性 RGB-D 重建

利用数据驱动的方法进行三维重建非常困难，本文通过引入新的半监督策略，成功建立了一个拥有 400 个场景、超过 390,000 个 RGB-D 帧和 5,533 个面对面对齐帧对的数据集，然后利用这个数据集，提出了一个能够应对非常大的非刚性形变的深度学习方法，对比于其他方法，我们的结果优于现有的方法。

Dec, 2019

RSA-INR: 通过 4D 隐式神经表示进行黎曼形状自编码

本研究介绍了如何将 Riemannian 几何结合到深度学习中的 LDDMM framework 中，以期实现图形匹配和降维。通过设计一种新的隐式编码器，扩展了基于神经网络的算法，并且将 Riemannian 几何学的组件加入了形状变异建模的深度学习模型中，提高了重构过程中的重构质量和抗噪性。

May, 2023

无监督循环一致形变用于形状匹配

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