SRFeat：学习局部精确且全局一致的非刚性形状对应
计算机视觉与模式识别
2022-09-19 v1 图形学
摘要
在本工作中，我们提出了一种新颖的基于学习的框架，将对比学习的局部准确性与几何方法的全局一致性相结合，以实现鲁棒的非刚性匹配。我们首先观察到，尽管对比学习可以产生强大的逐点特征，但由于标准对比损失纯粹的组合性质，所学到的对应通常缺乏平滑性与一致性。为克服这一局限，我们提出用两类平滑正则化来增强对比特征学习，从而将几何信息注入对应学习。借助这一新颖组合，所得特征既在单个点间高度可区分，又能通过简单的邻近查询产生鲁棒且一致的对应。我们的框架具有通用性，适用于 3D 与 2D 域中的局部特征学习。我们通过在广泛且具有挑战性的匹配基准（包括 3D 非刚性形状对应与 2D 图像关键点匹配）上的大量实验证明了方法的优越性。
引用
@article{arxiv.2209.07806,
title = {SRFeat: Learning Locally Accurate and Globally Consistent Non-Rigid Shape Correspondence},
author = {Lei Li and Souhaib Attaiki and Maks Ovsjanikov},
journal= {arXiv preprint arXiv:2209.07806},
year = {2022}
}
备注
3DV 2022. Code and data: https://github.com/craigleili/SRFeat