LBONet：用于形状分析的监督谱描述子
计算机视觉与模式识别
2025-08-25 v3
摘要
拉普拉斯-贝尔特拉米算子因其许多有用的性质，如在等距变换下不变、具有构成标准正交基的可数特征系统以及完全表征流形的测地距离，已在非刚性形状分析领域确立了地位。然而，这种不变性仅适用于等距形变，这导致在许多实际应用中性能下降。近年来，重点已放在使用深度学习方法提取最优特征上，但谱签名仍然扮演着关键角色并持续增值。在本文中，我们退一步，重新审视LBO，并提出了一种监督方法来学习流形上的若干算子。根据任务的不同，通过应用这些函数，我们可以训练LBO特征基使其更具任务特异性。LBO的优化为已建立的描述子（如热核签名）在检索、分类、分割和对应等各种任务中带来了巨大的改进，证明了LBO特征基对全局和高度局部学习设置的适应性。
引用
@article{arxiv.2411.08272,
title = {LBONet: Supervised Spectral Descriptors for Shape Analysis},
author = {Oguzhan Yigit and Richard C. Wilson},
journal= {arXiv preprint arXiv:2411.08272},
year = {2025}
}
备注
Accepted to TPAMI 2025. 15 pages, 14 figures