提出了一种非刚性多部位形状匹配算法，可同时解决参考模型的分割以及与多部位之间的稠密对应关系，实验证明其在处理非常具有挑战性的匹配场景方面有效。

Nov, 2020

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

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

本文提出了一种通过描述符匹配、连续性限制和 DC 编程来解决三维形状匹配问题的方法，该方法可以在处理非等距变形、拓扑变化和不完整数据的情况下，有效地收敛到一种有意义的连续匹配方案，具有较好的可扩展性。

Jul, 2017

本研究提出了一种深度学习多形状匹配算法，利用 shape-to-universe 多匹配表示，并结合强大的 functional map 正则化，从而在不依赖于显式模板形状的情况下确保循环一致的多匹配，并在几个具有挑战性的基准数据集上取得了最新的最好结果。

Jul, 2022

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

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

本篇论文提出一种新方法，使用无监督学习计算三维形状之间的对应关系。该方法使用描述符函数的非线性变换，并同时优化映射结果的全局结构性质，例如双射性或近似等度性，在最近邻域上进行匹配，从而有望在不需要先验信息的情况下建立三维形状集合内部的对应关系。

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

本文提出了一种基于自编码器框架的方法，学习固定模板上的连续形状变形场，通过表面内和表面外的点监督变形场，并通过一种新的有符号距离正则化方法，实现了非刚性形状对齐，在清洁水密网格上训练，在面临噪声，异常值和自遮挡等挑战时表现出色，为现实世界数据的形状分析提供基础。

Mar, 2022