该研究论文提出了一种基于图形而非基于点的匹配算法，通过使用谱图理论将图形映射到低维空间来对齐形状和避免姿态变化带来的不变性问题，该算法通过直方图匹配来选择拉普拉斯矩阵的最佳特征函数子集以提高性能，并将形状匹配转化为点注册的问题。

Dec, 2020

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

本文提出了一种基于 Laplace-Beltrami 本征映射和最优输运理论的非刚性变换点云配准方法，使用切片式 Wasserstein 距离进行建模和处理。

Jun, 2014

本文提出了使用近似联合对角化算法构建多个形状的共同近似特征基，以解决独立计算不兼容导致的对多个形状的分析、综合和对应的难题，并以形状编辑、姿势传输、对应和相似性任务为例说明了所提出方法的优点。

Sep, 2012

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

利用超图拉普拉斯特征映射方法与 K 最近邻方法和 / 或核岭回归方法相结合，解决人脸识别问题；实验结果显示，新的超图拉普拉斯特征映射与特定分类系统的组合准确性与旧的对称归一化超图拉普拉斯特征映射方法与特定分类系统的组合准确性相似。

May, 2024

本文提出了一种基于监督学习的 3D 感知图像形变方法，使用预测形状 Laplacian 和用户定义的形变 handles 计算出有限的 biharmonic 权重来模拟合理的基于 handles 的图像形变。

Mar, 2022

多视图稀疏拉普拉斯特征映射是一个基于图的方法，通过多次观察数据以构建更强健和信息丰富的高维数据表示，通过稀疏特征分解和优化算法来降低数据维度并获得一个特征集。作者在 UCI-HAR 数据集上进行实验证明即使将特征空间减少 90%，支持向量机（SVM）的错误率仅为 2.72%，且在整体特征空间减少 80% 的情况下 SVM 精度为 96.69%。

Jul, 2023

本文提出一种基于低维流形模型和图拉普拉斯正则化器的 3D 点云去噪方法，通过近似离散观测的流形维度计算，并且采用一种新的离散补丁距离度量来构建一个抗噪声的图形结构，并取得了比当前最先进方法更好的性能和更好的结构特征保持。

Mar, 2018

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