SGMatch: 基于语义引导与流正则化的非刚性形状匹配

在非刚性3D形状之间建立精确的点对点对应关系仍然是一个关键挑战，尤其是在非等距变形和拓扑噪声下。现有的函数映射流程存在几何描述符无法解决的歧义，以及截断谱基投影到密集点对应时固有的空间不一致性。在本文中，我们介绍了SGMatch，一个基于学习的语义引导非刚性形状匹配框架。具体来说，我们设计了一个语义引导的局部交叉注意力模块，该模块在保留局部结构连续性的同时，将来自视觉基础模型的语义特征整合到几何描述符中。此外，我们引入了一个基于条件流匹配的正则化目标，该目标监督一个时变速度场，以鼓励恢复的对应关系的空间平滑性。在多个基准测试上的实验结果表明，SGMatch在近等距设置下取得了具有竞争力的性能，并在非等距变形和拓扑噪声下取得了一致的改进。