深度频率意识功能地图用于稳健的形状匹配
IEEE transactions on visualization and computer graphics
|April 1, 2025
概括
深度频率意识功能地图 (DFAFM) 通过自适应捕获频率信息来改善3D形状匹配. 这种新的无监督学习框架提高了准确性,特别是在复杂的变形和拓不一致的情况下.
科学领域:
- 计算机视觉 计算机视觉
- 几何深度学习 几何深度学习
- 3D形状分析 3D形状分析
背景情况:
- 传统的功能地图在复杂的3D形状匹配中与频率信息作斗争.
- 显著的变形和拓不一致会降低现有方法的性能.
研究的目的:
- 引入一种新的无监督学习框架,即深度频率意识功能地图 (DFAFM),用于强大的3D形状匹配.
- 提高关键频率信息的适应性捕获,以改善功能地图估计.
主要方法:
- 开发了光谱波器操作者保存约束,以确保频率信息的完整性.
- 使用可学习系数的正规 Jacobi 多项式学习的光谱过器.
- 作为损失函数的内置过器,用于功能地图,点向地图和过器的联合监督.
- 实施了使用学习过器来提高点对点地图准确性的改进策略.
主要成果:
- 在基准数据集上,DFAFM显著超过了最先进的方法.
- 该框架在具有非同度变形和不一致的拓的具有挑战性的场景中表现出卓越的性能.
- 在3D形状匹配任务中实现了更高的精度.
结论:
- DFAFM为3D形状匹配提供了强大而适应性的解决方案.
- 提出的频率意识方法克服了传统方法的局限性.
- 该框架为各种形状匹配问题提供了更好的准确性和概括性.


