深度取向感知泛函映射：解决形状匹配中的对称性问题
计算机视觉与模式识别
2022-04-29 v1 微分几何
谱理论
机器学习
摘要
最先进的用于非刚性形状匹配的全内在网络常难以消除形状的对称性歧义，导致不稳定的对应预测。同时，泛函映射框架的最新进展允许通过使用切向量场传递的泛函表示（即所谓复泛函映射）来强制取向保持。利用该表示，我们提出一种在完全无监督设定下学习取向感知特征的新深度学习方法。我们的架构构建于 DiffusionNet 之上，使其对离散化变化具有鲁棒性。此外，我们引入基于向量场的损失，在不使用（常不稳定的）外在描述子的情况下促进取向保持。
引用
@article{arxiv.2204.13453,
title = {Deep Orientation-Aware Functional Maps: Tackling Symmetry Issues in Shape Matching},
author = {Nicolas Donati and Etienne Corman and Maks Ovsjanikov},
journal= {arXiv preprint arXiv:2204.13453},
year = {2022}
}
备注
To appear in: IEEE, Conference on Computer Vision and Pattern Recognition, 2022 // Main Manuscript: 8 pages (without references), 3 figures, 3 tables // Supplementary: 4 pages, 4 figures, 1 table //