紧盯目标：通过前向传播改进生物表面配准

许多表面配准算法在表面显著非等距时会产生显著误差。流形学习已被证明能有效提升配准质量，利用整个表面集合的信息来纠正成对配准中存在的问题。然而，这些方法对表面集合的变化不够鲁棒，或无法产生足以用于后续下游分析的高分辨率精确配准。我们提出一种新颖算法，用于在给定具有不同准确度的初始对应下高效配准此类集合。通过将初始信息与流形学习的最新进展相结合，我们采用一个简单的度量条件来构造我们集合中任意一对形状之间对应空间上的测度，并由此提炼软对应。我们证明该测度在多样化进化生物学表面数据集上相比当前采用的较不鲁棒方法能提升特征点间的对应精度。随后我们展示我们的方法如何结合近期采样与插值方法，用于计算表面间准确且一致的同胚。