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
本文提出了一种深度学习框架,用于准确的视觉对应,并证明了其在几何和语义匹配中的有效性,提出了一种卷积空间变换器来模仿传统特征(如 SIFT)中的补丁归一化,广泛的 KITTI,PASCAL 和 CUB-2011 数据集的实验表明,与使用手工构建或学习特征的先前作品相比,我们的特征具有显着优势。
Jun, 2016
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
提出一种鲁棒的方法,使用简化形状图形和图形匹配技术来找到不同表示方法下的形状区域对应关系,并且可以用于构建点对点的形状之间映射。
Oct, 2017
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
ASLFeat 是一种新的本地特征检测器和描述符结合的方法,使用可变形卷积网络估计本地特征点的形状,从而实现更强的几何不变性。此外,ASLFeat 使用层次结构以恢复空间分辨率和局部细节,并通过尖锐度测量来推导最有指示性的检测分数,以进一步提高检测精度和可靠性,并可在各种实际场景中获得最新的研究成果。
我们提出了一种新的结构 EquiShape,旨在学习具有全局结构线索的成对 LRFs,以实现空间和语义一致性,并引入了 LRF-Refine,一种通用的优化策略,旨在解决 LRF 方法的泛化挑战。
Apr, 2024
通过优化映射高维直方图到低维欧氏空间的深度网络,学习代表无序点云中点周围局部几何的特征,其表现出比现有局部特征更高的精度、紧凑性和鲁棒性,可在机器人和三维视觉的不同应用中进行几何配准。
Sep, 2017
使用功能映射方法来提高大规模视觉模型训练中的对应关系地图的质量,并在各种密集对应任务中取得了最新的最佳性能。
Mar, 2024