我们提出了一种无监督数据驱动的方法用于非刚性形状匹配，通过建立层次化基于补丁的形状表示和约束形状匹配的 3D 近刚性变形模型，实现了对噪声和变形具有鲁棒性的匹配。实验证明，相比最先进的方法在原始 3D 扫描数据上获得了显著更好的结果，并在标准测试场景上表现相当。

Nov, 2023

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

本文提出一种新颖的零样本方法，用于计算 3D 模型之间的对应关系，特别是针对具有很强差异性和不同类别之间匹配的问题，并在零样本情况下使用 language-vision model 方法进行分类，使用 ChatGPT 生成语义映射，并使用 functional maps framework 进一步细化到点对点映射。

Jun, 2023

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

本文提出了一种使用非样式化虚拟人形变形训练，再通过本文中引入的半监督形状理解和隐式姿态变形模块，实现对来自其他类型非样式化形体的样式化角色的姿态转移，实现无需标注对应点的零样本学习。同时，引入了一种基于体素的测试训练过程，加强了对四足动物类别等注释罕见类别样式化人形的逼真变形。

May, 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

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

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

我们提出了一种新的神经网络架构 NeuroMorph，采用图卷积和全局特征池化的优美结构，实现了在单次前馈传递中对输入的两个 3D 形状进行平滑插值和点对点对应，其具有无监督学习能力，适用于不同对象类别的非等距对，并在多个基准测试中匹配或超过了最新无监督和有监督方法的表现水平。

Jun, 2021

本研究在零样本学习中使用核方法来学习特征和属性空间之间的非线性映射，提出了一种简单的学习目标，并在多个零样本学习数据集和基准测试中取得了最优结果。

Feb, 2018