用于非刚性形状匹配的规范嵌入学习
计算机视觉与模式识别
2021-10-08 v1 人工智能
图形学
机器学习
摘要
本文提出了一种学习非刚性形状匹配规范嵌入的新框架。与以往该方向的工作不同，我们的框架以端到端方式训练，从而避免了与常用 Laplace-Beltrami 基或序贯优化方案相关的不稳定性和约束。在多个数据集上，我们证明了利用深度函数映射学习自对称映射可将三维形状投影到低维规范嵌入中，从而通过简单的近邻搜索实现非刚性形状对应。我们的框架在 FAUST 和 SHREC 基准上优于多种近期基于学习的方法，同时计算代价更低、数据更高效且更鲁棒。
引用
@article{arxiv.2110.02994,
title = {Learning Canonical Embedding for Non-rigid Shape Matching},
author = {Abhishek Sharma and Maks Ovsjanikov},
journal= {arXiv preprint arXiv:2110.02994},
year = {2021}
}
备注
Under Review