Oct, 2023

关于部分形状对应与功能映射的研究

PDF
TL;DR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。
functional mapspartial shape matchinggromov distanceloss functionsunsupervised methods
发现论文，激发创造
  • DPFM: 深度部分函数映射

    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

  • 非刚性形状匹配的无监督地图关系再思考

    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

  • 从功能对应中的点映射恢复和细化

    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。

    Jun, 2015

  • 部分函数对应

    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

  • 深度功能映射：用于稠密形状对应关系的结构化预测

    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

  • 零样本图像特征一致性与深度函数图

    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

  • 深度几何函数映射：形状对应的鲁棒特征学习

    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

  • 基于弱监督的深度函数地图用于形状匹配

    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

  • 深度功能映射中学习到的特征的理解和改进

    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

  • 几何一致性下的部分对部分形状匹配

    我们的研究建立在几何一致性为重要约束的基础上，利用三角形乘积空间的新型整数非线性规划形式和基于线性整数规划的剪枝算法，在部分 - 部分匹配中实现了几何一致性，并生成了一个新的跨类别数据集，我们的方法在已有的类内数据集和我们的新跨类别数据集上均优于当前的技术水平方法。

    Apr, 2024