GenCorres: Consistent Shape Matching via Coupled Implicit-Explicit Shape Generative Models

要約

タイトル：GenCorres：結合された暗黙的・明示的形状生成モデルによる一貫した形状マッチング

要約：

– GenCorresは新しい教師なしの形状マッチング手法である。
– GenCorresの基本的なアイデアは、非組織化された可変形状コレクションに合わせてパラメトリックなメッシュジェネレータを学習することである。
– そして、合成シェイプ間の変形を制約して、局所的な剛性や局所的な準拠性などの幾何学的構造を維持する。
– GenCorresには、既存の形状マッチング技術よりも3つの魅力的な利点がある。
– 1つ目は、入力シェイプよりもはるかに大きな合成シェイプコレクションでJSMを実行するため、JSMのデータ駆動力を完全に活用できることである。
– 2つ目は、一貫した形状マッチングとペアワイズマッチングを統一することである（すなわち、隣接する合成シェイプの間の変形優先を強制することで）。
– 3つ目は、ジェネレータが一貫した形状対応の簡潔なエンコーディングを提供することである。
– ただし、非組織化された形状コレクションからメッシュジェネレータを学習することは難しい。
– 各形状に対する良好な初期フィッティングが必要であり、局所最小値に陥りやすいため、GenCorresは、入力形状から暗黙的なジェネレータを学習することによってこの問題に対処する。
– 隣接する暗黙的な表面間の対応を計算するための新しいアプローチを導入し、対応が幾何学的な構造を維持し、サイクル一貫性を持つように強制する。
– 暗黙的なジェネレータの合成シェイプは、メッシュジェネレータの学習のための初期フィッティングを導くためにテンプレートベースの変形を介して使用される。
– 実験結果は、GenCorresがベンチマークデータセットで最先端のJSM技術を大幅に上回ることを示している。
– GenCorresの合成シェイプは、局所的な幾何学的特徴を保持し、最先端の可変形状ジェネレータに対する競争力のある性能向上をもたらす。

要約(オリジナル)

This paper introduces GenCorres, a novel unsupervised joint shape matching (JSM) approach. The basic idea of GenCorres is to learn a parametric mesh generator to fit an unorganized deformable shape collection while constraining deformations between adjacent synthetic shapes to preserve geometric structures such as local rigidity and local conformality. GenCorres presents three appealing advantages over existing JSM techniques. First, GenCorres performs JSM among a synthetic shape collection whose size is much bigger than the input shapes and fully leverages the data-driven power of JSM. Second, GenCorres unifies consistent shape matching and pairwise matching (i.e., by enforcing deformation priors between adjacent synthetic shapes). Third, the generator provides a concise encoding of consistent shape correspondences. However, learning a mesh generator from an unorganized shape collection is challenging. It requires a good initial fitting to each shape and can easily get trapped by local minimums. GenCorres addresses this issue by learning an implicit generator from the input shapes, which provides intermediate shapes between two arbitrary shapes. We introduce a novel approach for computing correspondences between adjacent implicit surfaces and force the correspondences to preserve geometric structures and be cycle-consistent. Synthetic shapes of the implicit generator then guide initial fittings (i.e., via template-based deformation) for learning the mesh generator. Experimental results show that GenCorres considerably outperforms state-of-the-art JSM techniques on benchmark datasets. The synthetic shapes of GenCorres preserve local geometric features and yield competitive performance gains against state-of-the-art deformable shape generators.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI