G-MSM: Unsupervised Multi-Shape Matching with Graph-based Affinity Priors

要約

我々は、非剛体形状対応のための新しい教師無し学習アプローチであるG-MSM (Graph-based Multi-Shape Matching)を提案する。我々は、入力ポーズの集合を順序のないサンプル集合として扱うのではなく、その下にある形状データの多様性を明示的にモデル化する。この目的のために、我々は、与えられた学習形状集合に対して、自己教師付きで親和性グラフを構築する適応的な複数形状のマッチングアーキテクチャを提案する。このアーキテクチャのキーポイントは、形状グラフの最短経路に沿ってマップを伝播させることにより、ペアワイズコレスポンデンスを結合することである。学習中、このような最適経路とペアワイズマッチの間にサイクル整合性を強制することで、本モデルがトポロジーを考慮した形状プリオアを学習することを可能にする。我々は、形状グラフの様々なクラスを調査し、テンプレートベースマッチング（スターグラフ）や学習可能なランキング／ソート（TSPグラフ）のような特定の設定を、我々の枠組みの特殊なケースとして回復させる。最後に、トポロジーノイズを含む実世界の3Dスキャンメッシュや、困難なクラス間ペアなど、最近のいくつかの形状対応ベンチマークにおいて、最先端の性能を実証する。

要約(オリジナル)

We present G-MSM (Graph-based Multi-Shape Matching), a novel unsupervised learning approach for non-rigid shape correspondence. Rather than treating a collection of input poses as an unordered set of samples, we explicitly model the underlying shape data manifold. To this end, we propose an adaptive multi-shape matching architecture that constructs an affinity graph on a given set of training shapes in a self-supervised manner. The key idea is to combine putative, pairwise correspondences by propagating maps along shortest paths in the underlying shape graph. During training, we enforce cycle-consistency between such optimal paths and the pairwise matches which enables our model to learn topology-aware shape priors. We explore different classes of shape graphs and recover specific settings, like template-based matching (star graph) or learnable ranking/sorting (TSP graph), as special cases in our framework. Finally, we demonstrate state-of-the-art performance on several recent shape correspondence benchmarks, including real-world 3D scan meshes with topological noise and challenging inter-class pairs.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL