NFR：神经特征引导的非刚性形状配准

本文提出了一种新颖的基于学习的 3D 形状配准框架，该框架克服了输入形状之间显著的非刚性变形和残缺性带来的挑战，且值得注意的是，它在训练期间不需要对应关系标注。我们的核心见解是将基于深度学习的形状匹配网络学习到的神经特征整合到迭代的几何形状配准流程中。我们方法的优势有两方面——一方面，与空间特征（如坐标）相比，神经特征提供了更准确且语义更丰富的对应关系估计，这在存在大范围非刚性变形时至关重要；另一方面，对应关系根据中间配准结果进行动态更新，并通过一致性先验进行过滤，从而显著增强了整个流程的鲁棒性。实证结果表明，即使仅有几十个变化有限的训练形状，我们的流程在多种设定下的非刚性点云匹配和部分形状匹配的多个基准上也取得了 SOTA 结果，并且对于同时经历显著外在和内在变形的未见过的、具有挑战性的形状对，也能提供高质量的对应关系，而在这种情况下，传统配准方法和内在方法均无法生效。我们的代码可在 https://github.com/rqhuang88/NFR 获取。