深度功能映射中学习到的特征的理解和改进
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
通过提出的新型记忆可扩展和高效的功能映射学习流程，从而避免在内存中存储点映射，该方法通过可比较的结果证明其在效率和数值稳定性方面更为简化和高效，同时在具有挑战性的场景中实现接近于最先进技术的结果。
Mar, 2024
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学习框架，用于学习变形的 3D 形状之间的密集对应关系，通过使用一个在功能映射空间内的结构化预测模型，以及对两个形状定义的密集描述符场的输入和输出，得到在多个具有挑战性的基准测试中表现准确的对应关系。
Apr, 2017
本文介绍了一种基于神经网络的方法，可以在没有任何匹配信息的情况下，通过在不同形状上联合分析点云表示的几何和语义函数，发现共同的潜在结构，并生成潜在基函数字典，以反映形状间的共享语义结构。
May, 2018
本论文提出了一种基于 DiffusionNet 的新型深度学习方法，用于非刚性形状匹配，在不使用不稳定的外在描述符的情况下，通过向量场损失函数实现方向保持的同时学习方向感知特征。
Apr, 2022
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