Revisiting Map Relations for Unsupervised Non-Rigid Shape Matching

要約

我々は、非剛体 3D 形状マッチングのための新しい教師なし学習アプローチを提案します。
私たちのアプローチは、最近の最先端の深層関数マップ手法を改良しており、さまざまな困難なシナリオに幅広く適用できます。
これまでの深層関数マップ手法は主に特徴抽出に焦点を当てており、関数マップ計算のためのより表現力豊かな特徴を取得することのみを目的としていました。
ただし、機能マップの計算自体の重要性は無視されることが多く、機能マップとポイントワイズ マップの関係は十分に調査されていません。
この論文では、機能マップ ソルバーからの機能マップと特徴の類似性に基づく点ごとのマップの間の結合関係を系統的に調査します。
この目的を達成するために、より識別的な特徴を取得するために頂点ごとのコントラスト損失とともに、さまざまな形状一致シナリオに合わせて関数マップの正則化を調整する自己適応関数マップ ソルバーを提案します。
さまざまな困難なデータセット (非アイソメトリ、トポロジカル ノイズ、部分性を含む) を使用して、私たちの方法が以前の最先端の方法を大幅に上回ることを実証します。

要約(オリジナル)

We propose a novel unsupervised learning approach for non-rigid 3D shape matching. Our approach improves upon recent state-of-the art deep functional map methods and can be applied to a broad range of different challenging scenarios. Previous deep functional map methods mainly focus on feature extraction and aim exclusively at obtaining more expressive features for functional map computation. However, the importance of the functional map computation itself is often neglected and the relationship between the functional map and point-wise map is underexplored. In this paper, we systematically investigate the coupling relationship between the functional map from the functional map solver and the point-wise map based on feature similarity. To this end, we propose a self-adaptive functional map solver to adjust the functional map regularisation for different shape matching scenarios, together with a vertex-wise contrastive loss to obtain more discriminative features. Using different challenging datasets (including non-isometry, topological noise and partiality), we demonstrate that our method substantially outperforms previous state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google