SGSoft：通过模板引导的软信号学习融合语义-几何特征以实现3D形状对应
计算机视觉与模式识别
2026-05-19 v1
摘要
由于结构变异性、非等距变形以及不一致的拓扑，学习可变形3D形状间的密集对应仍是一个长期存在的挑战。现有方法通常在泛化性、几何保真度与效率之间进行权衡。我们通过提出SGSoft来解决这一问题，这是一种统一的内在流水线，它 模板构建测地线对应场， 在此测地线对应场监督下学习由预训练语义先验引导的多模态密集描述符， 通过在描述符空间中的最近邻搜索在单次前向传递中检索密集对应。该表述在大姿态变化、结构差异和重新网格化下实现了稳定且拓扑不变的监督。SGSoft实现了SOTA的跨类别泛化，同时在先前方法中提供了最佳的准确率-效率权衡。它还实现了近乎实时的推理，无需预对齐、成对优化或后细化。所学描述符可有效迁移至语义分割和形变传递等下游任务，为密集3D对应建立了一种可扩展且部署就绪的范式。
引用
@article{arxiv.2605.18039,
title = {SGSoft: Learning Fused Semantic-Geometric Features for 3D Shape Correspondence via Template-Guided Soft Signals},
author = {Soyeon Yoon and Chang Wook Seo and Hyunjung Shim},
journal= {arXiv preprint arXiv:2605.18039},
year = {2026}
}