嵌入谱描述符：通过孪生神经网络学习逐点对应度量
图形学
2019-10-21 v3 计算机视觉与模式识别
摘要
鲁棒且信息丰富的局部形状描述符在网格配准中起着重要作用。在这方面，基于 Laplace-Beltrami 算子谱的谱描述符由于其诸如等距不变性等优良特性，在过去十年中一直是一个热门研究对象。然而尽管如此，当模型间的度量失真较大时，谱描述符往往无法为非等距情况给出正确的相似性度量。因此，当模型不是等距时，它们对于对应匹配问题并不可靠。本文提出了一种改进谱描述符相似性度量以用于对应匹配问题的方法。我们将谱形状描述符嵌入到一个不同的度量空间中，其中元素间的欧氏距离直接指示几何不相似性。我们设计并训练了一个孪生神经网络来寻找这种嵌入，其中嵌入的描述符被促使基于几何相似性进行重排。我们证明了，与其他最先进方法相比，通过孪生神经网络实现的简单增强可以显著提升传统谱描述符的性能。
引用
@article{arxiv.1710.06368,
title = {Embedded Spectral Descriptors: Learning the point-wise correspondence metric via Siamese neural networks},
author = {Zhiyu Sun and Yusen He and Andrey Gritsenko and Amaury Lendasse and Stephen Baek},
journal= {arXiv preprint arXiv:1710.06368},
year = {2019}
}