对称检测在各种机器学习任务中已经被证明可以提高性能。在连续对称性检测的背景下，现有的实验局限于对仿射变换的检测。根据流形假设，我们提出了一个用于发现超越仿射变换群的数据连续对称性的框架。我们还提供了一个类似的离散对称性的框架。我们通过实验将我们的方法与一种称为 LieGAN 的现有方法进行了比较，结果表明我们的方法在大样本量下能够有效检测仿射对称性，并且在小样本量下优于 LieGAN。我们还展示了我们的方法能够检测超越仿射群的连续对称性，并且通常比 LieGAN 更高效。

Jun, 2024

基于第二阶速度场的动力学曲面拟合方法在医学图像分析中发挥了重要作用，能够更准确地检测解剖结构的对称性，并通过相关的曲率和扭矩等内在形状参数实现形态分类。通过临床测试，该方法被证明在评估复杂解剖形状方面具有巨大潜力。

Jan, 2024

对于各种下游任务（如 3D 几何完成、分割、压缩和结构感知形状编码或生成），对称性检测，特别是局部和外在对称性，是至关重要的。为了检测局部外在对称性，我们提出通过对比学习来学习旋转、反射、平移和尺度不变的局部形状特征，这些特征在多个类别和不同数据集上都具有鲁棒性和泛化性。我们展示了我们的方法能够提取多个正确解决方案，以解决这个模糊的问题。此外，我们引入了一个新的基准测试，用于评估我们的局部外在对称性检测方法。最后，我们将检测到的对称性与区域增长算法相结合，以实现一个下游任务，即计算对称感知的 3D 形状的划分。据我们所知，我们是第一个提出自监督数据驱动局部外在对称性检测方法的人。

Dec, 2023

本篇研究提出了一种深度神经网络方法，可以从单视角 RGB-D 图像中检测三维物体的反射和旋转对称性，并可以预测其对称轴和对称对应关系，同时具有极强的泛化能力，能够处理不同形状、多重对称以及新物体种类的情况。

Aug, 2020

本文介绍了一种使用卷积神经网络训练二维向量场以检测对象骨架像素的方法，相比其他方法具有明显优势，可以更好地应对形状复杂、尺寸多变的对象，同时也表现出优异的对称性检测能力。

Nov, 2018

提出了一种用于对称性检测的快速算法，通过设计好的变换空间采样、优化的变换评估算法、体积形状表示进行总变差控制并对算法的复杂度和逼近质量进行了正式证明，实验结果证实了该方法的有效性。

Mar, 2014