用于无模板形状对应的密集形变嵌入无监督网络
计算机视觉与模式识别
2021-08-27 v1 人工智能
图形学
摘要
基于三维形变学习的形状对应近来引起了学术界极大的兴趣。然而，当前基于深度学习的方法需要密集标注的监督来学习逐点平移，这严重过度参数化了形变过程。此外，它们无法通过全局特征嵌入捕获原始形状的局部几何细节。为了应对这些挑战，我们开发了一种新的密集形变嵌入无监督网络（即 UD^2E-Net），该网络学习从密集局部特征预测非刚性形状之间的形变。由于为形变预测匹配随形变变化的局部特征并非易事，我们开发了一种外在-内在自编码器，首先将外在几何特征从源形状编码到共享规范形状的内在坐标中，解码器随后利用这些坐标合成对应的目标特征。此外，我们开发了一种有界最大均值差异损失，以缓解合成特征与原始特征之间的分布散度。为了在没有密集监督的情况下学习自然形变，我们引入了一个粗参数化形变图，并提出了一种新颖的追踪与传播算法，以提高形变的质量和效率。我们的 UD^2E-Net 在 Faust Inter 挑战赛上比最先进的无监督方法高出 24%，在 Faust Intra 挑战赛上甚至比有监督方法高出 13%。
引用
@article{arxiv.2108.11609,
title = {Unsupervised Dense Deformation Embedding Network for Template-Free Shape Correspondence},
author = {Ronghan Chen and Yang Cong and Jiahua Dong},
journal= {arXiv preprint arXiv:2108.11609},
year = {2021}
}
备注
15 pages, 18 figures. Accepted to ICCV 2021