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
本研究提出了一个统一的框架,用于预测 3D 形状之间的点对应和形状插值,结合了深度函数映射和经典表面变形模型,在谱域和空间域中进行形状映射。实验结果表明,该方法在形状匹配和插值方面优于以往最先进的方法,甚至超过了有监督学习方法。
Feb, 2024
本文提出了一种方法,利用函数映射框架高效计算非刚性形状之间具有保方向和近似连续性的对应关系,并通过引入新的方法对初始函数映射进行改进,从而获得高质量的点对应关系。研究表明,该方法在保持连续性和覆盖率方面显著优于现有技术,并且产生的对应关系是有意义的。
Jun, 2018
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
本文研究了无监督深度图匹配,并应用于图像特征点匹配。与传统的有监督方法不同,我们的方法不需要关键点对之间的真实对应关系,而是通过强制同一物体类别图像之间的匹配一致性进行自我监督。由于匹配和一致性损失是离散的,不能直接用于学习,我们通过在组合求解器的黑盒微分结果的基础上构建方法来解决这个问题。这使得我们的方法非常灵活,可以与任意网络架构和组合求解器兼容。实验结果表明,我们的技术在无监督图匹配领域达到了最新的最先进水平。
Jul, 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
我们提出了一种叫做多频谱滤波器保持(MSFOR)的新约束,用于计算功能映射,并基于此,开发了一种称为 Deep MSFOP 的高效深层功能映射架构,用于形状匹配。
该研究提出了一个基于自我监督的网络,用于在非等度形状之间进行密集的对应映射,解决了在非欧几里得域中对齐的问题,相较于已知的自我监督和监督方法取得了最先进的结果。
Dec, 2019
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
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