DiffuMatch：用于鲁棒非刚性形状匹配的类别无关谱扩散先验
计算机视觉与模式识别
2025-08-01 v1
摘要
深度函数图近期已成为解决非刚性形状对应任务的强大工具。使用该方法的模型将函数图框架的强大功能与灵活性，与数据驱动的学习相结合，以提高精度和泛化性。然而，该领域的大多数现有方法仅将学习层面局限于特征函数，在构建训练损失或网络内部的函数图正则化时仍依赖于公理化建模。这限制了所得方法的精度和适用性，使其仅适用于公理化模型假设成立的场景。在本工作中，我们首次表明，网络内正则化和函数图训练均可被数据驱动方法替代。为此，我们首先使用基于分数的生成建模，在谱域中训练一个函数图生成模型，该模型由大量高质量图构建而成。然后，我们利用所得模型在新的形状集合上促进真实函数图的结构特性。值得注意的是，我们证明所学模型是类别无关的，并且可以完全替代诸如强制函数图的 Laplacian 交换性或正交性等常用策略。我们的关键技术贡献是一种源自谱域扩散模型的新型蒸馏策略。实验表明，对于零样本非刚性形状匹配，我们所学到的正则化比公理化方法能带来更好的结果。我们的代码可在以下地址获取：https://github.com/daidedou/diffumatch/
引用
@article{arxiv.2507.23715,
title = {DiffuMatch: Category-Agnostic Spectral Diffusion Priors for Robust Non-rigid Shape Matching},
author = {Emery Pierson and Lei Li and Angela Dai and Maks Ovsjanikov},
journal= {arXiv preprint arXiv:2507.23715},
year = {2025}
}
备注
Presented at ICCV 2025