G-MSM：基于图亲和先验的无监督多形状匹配
计算机视觉与模式识别
2022-12-07 v1
摘要
我们提出 G-MSM（基于图的多形状匹配），一种用于非刚性形状对应的新颖无监督学习方法。我们并非将一组输入姿态视为无序样本集合，而是显式建模底层形状数据流形。为此，我们提出一种自适应多形状匹配架构，以自监督方式在给定训练形状集上构建亲和图。关键思想是通过在底层形状图的最短路径上传播映射来结合假定的成对对应。在训练期间，我们强制此类最优路径与成对匹配之间的循环一致性，使我们的模型能够学习拓扑感知的形状先验。我们探索了不同类别的形状图，并恢复了特定设置，如基于模板的匹配（星图）或可学习排序（TSP 图），作为我们框架中的特例。最后，我们在多个近期形状对应基准上展示了最先进的性能，包括具有拓扑噪声的真实世界 3D 扫描网格和具有挑战性的类间对。
引用
@article{arxiv.2212.02910,
title = {G-MSM: Unsupervised Multi-Shape Matching with Graph-based Affinity Priors},
author = {Marvin Eisenberger and Aysim Toker and Laura Leal-Taixé and Daniel Cremers},
journal= {arXiv preprint arXiv:2212.02910},
year = {2022}
}