非等距形状对应是计算机视觉中的一个基本挑战，本文提出了一种新方法，通过将弹性薄壳的非正交外部基函数与 Laplace-Beltrami 算子的内在基函数相结合，创建了一个混合谱空间来构建功能映射，实现了在各种应用中处理复杂变形的能力，并通过广泛的评估展示了显著的改进。
Dec, 2023
本文提出了一种计算非刚性形状之间部分函数对应的方法，利用摄动分析展示了何以通过去除形状部件改变 Laplace-Beltrami 特征函数，进而将其作为先验应用到对应的谱表示中，匹配的部分是问题中的优化变量，用于加权函数对应；找到最小化对应失真的最大和最规则（在 Mumford-Shah 意义下）的部分。我们证明了我们的方法可以处理非常具有挑战性的对应设置。
Jun, 2015
对非线性流形上的泛函数据进行了功能数据分析，并针对光滑的黎曼流形值泛函数据进行了内在主成分分析，并研究了其渐近特性及其应用。
May, 2017
通过一个简单的概率模型，我们分析了如何从任意的 functional maps 中回复点对点的映射，并且消除了许多当前已有方法中所需的假设，特别是输入形状近似等距的限制。实验证明，该方法在非常具有挑战性的情况下显着提高了精度。
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
本文探讨了深度函数地图方法中所学特征函数的本质以及如何将其用于点描述，在此基础上，我们提出了一种改进的方法来使学习特征的结构显著改进匹配结果，并成功地将内在和外在表面学习框架结合起来。
Mar, 2023
通过提出一种新的部分形状匹配方法，该方法可以通过特征匹配建立偏差和完整形状的直接对应关系，并使用功能地图中间空间。Gromov 距离是构建我们损失函数的第一部分的依据，另外我们还使用了基于映射保持面积属性的项以及无需计算功能地图的放松版本进行正规化，该方法在 SHREC'16 数据集上表现出卓越的性能，并且在 SHREC'16 HOLES 基准测试中超过了现有的无监督方法，并与有监督方法相比也具有卓越的结果。
Oct, 2023
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
本文提出了一种全可微的流程，用于估计三维点云之间的准确密集对应，基于从数据学习基础并使用嵌入网络，实现端到端可训练的对应方法，在挑战性的非刚性三维点云对应应用中实现了最新的结果。
Oct, 2020
这篇研究主要讲述了如何将非线性流形学习方法 ——Diffusion Maps 扩展到函数数据，并在不同的仿真和实例中将其行为与函数 PCA 进行比较，以便进行功能数据分析和降维。
Apr, 2023