基于形变场降维表示的高效非刚性形状匹配
计算机视觉与模式识别
2022-11-29 v1 图形学
摘要
本文提出一种利用形变场降维表示计算非刚性物体间对应关系的全新方法。不同于现有通过训练通用神经网络来表示形变场的工作，我们主张基于无网格方法进行近似。通过让网络在空间中的稀疏位置集合(节点)学习形变参数，我们以闭式重构具有平滑性保证的连续形变场。借助这种自由度的缩减，我们在数据效率方面展现出显著提升，从而支持有限监督。此外，我们的近似可直接获取形变场的一阶导，便于有效施加理想的正则化。所得模型具有高表达能力，能够捕捉复杂形变。我们在多个可形变形状匹配基准上以最先进的(state-of-the-art)结果证明了其有效性。我们的代码与数据公开于：https://github.com/Sentient07/DeformationBasis。
引用
@article{arxiv.2211.14604,
title = {Reduced Representation of Deformation Fields for Effective Non-rigid Shape Matching},
author = {Ramana Sundararaman and Riccardo Marin and Emanuele Rodola and Maks Ovsjanikov},
journal= {arXiv preprint arXiv:2211.14604},
year = {2022}
}