基于深度泛函映射先验的非刚性形状配准
计算机视觉与模式识别
2023-11-09 v1
摘要
在本文中，我们提出了一种无需对应监督的基于学习的非刚性形状配准框架。传统的形状配准技术通常依赖于由外在邻近性诱导的对应关系，因此在存在大内在形变时可能失效。谱映射方法通过将形状嵌入到几何或学习到的高维空间中来克服这一挑战，在这些空间中形状更易于对齐。然而，由于依赖于抽象的、非线性的嵌入方案，后者在面对受扰动或异质输入时可能脆弱。有鉴于此，我们的框架兼取两者之长。即，我们将源网格朝目标点云变形，由从深度泛函映射（DFM）学习到的高维嵌入所诱导的对应关系引导。特别地，对应关系根据中间配准结果动态更新，并通过一致性先验进行滤波，这显著增强了整体流程的鲁棒性。此外，为缓解对外在对齐输入的要求，我们在一组与 DFM 训练形状无关的已对齐合成形状上训练了一个朝向回归器。实证结果表明，仅需数十个变异性有限的训练形状，我们的流程即在多个非刚性点云匹配基准上取得了最先进的结果，并且还能在未见过的、同时经历显著外在与内在形变的挑战性形状对之间提供高质量对应关系，而此类情况下传统配准方法与内在方法均失效。代码见 https://github.com/rqhuang88/DFR。
引用
@article{arxiv.2311.04494,
title = {Non-Rigid Shape Registration via Deep Functional Maps Prior},
author = {Puhua Jiang and Mingze Sun and Ruqi Huang},
journal= {arXiv preprint arXiv:2311.04494},
year = {2023}
}
备注
Accepted by NeurIPS2023