- 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 - 深度 MSFOP：无监督形状匹配中的多光谱滤波器算子保持的深度函数映射
我们提出了一种叫做多频谱滤波器保持（MSFOR）的新约束，用于计算功能映射，并基于此，开发了一种称为 Deep MSFOP 的高效深层功能映射架构，用于形状匹配。
- 高斯混合模型空间中的 Gromov-Wassertein 类距离
该研究论文介绍了两种 Gromov-Wasserstein 类型的距离，用于高斯混合模型集合。这些距离可作为 Gromov-Wasserstein 的替代品，用于评估两个分布间的差异，并且为点云之间的最优传输计划提供了一种定义方式。同时，该 - 从词典中提取功能表征以用于非刚性形状匹配
使用功能图的方法来提高形状匹配中点对应的精度，通过用基于词典的主成分分析来解决 Laplace-Beltrami 算子在微小区域内的精度问题。
- CVPR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。
- CVPR多模态非刚性三维形状匹配的自监督学习
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 - 使用拉普拉斯特征函数和无监督点配准的关节形状匹配
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。
- 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。
- MapTree：在地图空间中恢复多个解决方案
该论文提出了一种计算 3D 形状之间多个高质量近等距密集对应的新方法，利用基于频谱映射表达的紧凑树结构和有效的初始点映射方法实现对目标形状的对应和对称性检测，从而实现更精确的形状匹配。
- 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 - Form2Fit: 学习形状先验知识以实现通用装配与拆解
本文提出了一种自我监督的数据收集流程，通过对完整套件进行拆卸来获得物体与放置位置的对应关系，进而在视觉输入下学习形状描述符，以便将物体组装到各种套件中，以及实现拾取和放置策略，并实现了针对不同初始条件的高成功率。
- ECCV深度形状匹配
该研究将形状匹配视为度量学习，使用卷积神经网络进行实现，在将图像表示分解为边缘图像的生成和使用结构从运动流水线自动获取地标图像的边缘图像的过程中进行网络训练。该方法在域泛化，基于通用素描的图像检索或其精细分类等多个任务上得到了改进并实现了多 - 测地线距离描述符
本文提出了一种基于地标距离基础上的简洁的表征，称为 Geodesic Distance Descriptor (GDD)，该方法可以有效地和准确地在几乎不损失信息的情况下近似匹配度量空间问题，可以提高现有的形状匹配程序的准确性和效率。