深度几何泛函映射：用于形状对应的鲁棒特征学习
机器学习
2020-04-01 v1 机器学习
摘要
我们提出一种新颖的基于学习的方法，用于计算非刚性3D形状之间的对应。与以往要么需要大量训练数据、要么基于手工输入描述子因而在多样数据集上泛化性差的方法不同，我们的方法既准确又对形状结构变化具有鲁棒性。我们方法的关键在于一个直接从原始形状几何学习的特征提取网络，结合一个基于泛函映射表示的新型正则化映射提取层与损失。我们通过极具挑战性的形状匹配场景中的大量实验证明，我们的方法比现有监督方法所需训练数据更少，且比当前基于描述子的学习方法泛化性好得多。我们的源代码位于：https://github.com/LIX-shape-analysis/GeomFmaps。
引用
@article{arxiv.2003.14286,
title = {Deep Geometric Functional Maps: Robust Feature Learning for Shape Correspondence},
author = {Nicolas Donati and Abhishek Sharma and Maks Ovsjanikov},
journal= {arXiv preprint arXiv:2003.14286},
year = {2020}
}
备注
main paper 8 pages, supplementary 5 pages 10 figures