几何一致性下的部分对部分形状匹配
该论文提出了一种整合先进的深度形状特征到新型整数线性规划部分形状匹配公式的优化方法,能够在低分辨率的形状上获得全局最优解,并通过粗到精的过程进行改进,相比于现有的几何一致算法,我们的方法在处理部分形状时能够找到更可靠的结果且匹配更为平滑,同时能够避免使用补齐几何形状的方法。
Sep, 2023
提出了可扩展的组合算法,用于全局优化 3D 形状之间具有几何一致性的映射空间,通过整数线性规划公式和原始启发式方法以及拉格朗日对偶问题相结合,实现了比以前更快、更高效的解决方法,成功地匹配了多个形状。
Apr, 2022
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。
Oct, 2023
结合学习和组合形式主义,提出一种新的组合求解器,应用于三维形状匹配,解决了学习方法和公理化方法之间的局部不平滑性和问题规模以及非凸优化问题的计算成本的问题。
Oct, 2023
本文提出了新型的等距多形状匹配问题的优化公式,并介绍了适合解决这种公式的优化算法,提供了收敛性和复杂性分析,对不同数据集进行了实验,取得了最新的等距多形状匹配的最好表现。
Dec, 2020
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
对于各种下游任务(如 3D 几何完成、分割、压缩和结构感知形状编码或生成),对称性检测,特别是局部和外在对称性,是至关重要的。为了检测局部外在对称性,我们提出通过对比学习来学习旋转、反射、平移和尺度不变的局部形状特征,这些特征在多个类别和不同数据集上都具有鲁棒性和泛化性。我们展示了我们的方法能够提取多个正确解决方案,以解决这个模糊的问题。此外,我们引入了一个新的基准测试,用于评估我们的局部外在对称性检测方法。最后,我们将检测到的对称性与区域增长算法相结合,以实现一个下游任务,即计算对称感知的 3D 形状的划分。据我们所知,我们是第一个提出自监督数据驱动局部外在对称性检测方法的人。
Dec, 2023