通过将基于网格的功能映射正则化与连续损失相结合的自监督多模态学习策略相结合，我们提出了一种形状匹配方法，它能够针对三角形网格、完整点云和部分观测点云获得同模式和跨模态的对应关系，并在多个基准数据集上取得了最先进的结果，具有先前未见的跨数据集普适性。

Mar, 2023

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

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。

Dec, 2020

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

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

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

采用多尺度匹配管道和深度神经网络的无监督学习方法实现 3D 形状对应，其使用基于优化传输的最优正则 化方法来创建完全可微的层次匹配管道，并利用光滑的截断谱卷积滤 波器提取本地特征，其在多个数据集上比最新的监督方法显著改善， 并能够很好地推广到偏离训练集的示例

Oct, 2020

我们提出了一种新的基于学习的方法来进行 3D 形状匹配，可以在完全非监督的情况下进行训练，并可准确处理非等距形状、局部形状、不同离散化或拓扑噪声的形状。

Apr, 2023

本文介绍了一种基于深度函数图的新框架，用于完全对齐和部分对齐形状匹配，实现了多个基准数据集上的最先进结果，甚至超过了完全监督的方法。

Sep, 2020

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