Beyond Complete Shapes: A Benchmark for Quantitative Evaluation of 3D Shape Surface Matching Algorithms
Technical University of Munich（慕尼黑技术大学）；University of Bonn（波恩大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；Lamarr Institute（拉马尔研究所）
本文提出了一种新的大规模基准BeCoS，用于评估3D形状表面匹配算法的性能，通过生成具有挑战性的完整和部分匹配数据集，测试了当前最先进的方法。
2025-11-24 cs.CV
Hyper-Network Neural Functional Maps for Unsupervised Robust 3D Shape Matching
University of Bonn（波恩大学）
针对非刚性3D形状匹配中部分性、拓扑噪声等挑战，提出超网络预测非线性神经功能映射（NFM），以无监督方式学习对齐谱基，显著提升匹配精度。
2026-06-29 cs.AI cs.CV
Spectral Meets Spatial: Harmonising 3D Shape Matching and Interpolation
Technical University of Munich（慕尼黑工业大学）；University of Bonn（波恩大学）
提出统一框架结合spectral和spatial域映射，预测3D形状的逐点对应与插值，通过测试时适应方案捕捉不同变形，在多个数据集上超越现有最先进方法。
2024-03-27 cs.AI cs.CG cs.CV
Geometrically Consistent Partial Shape Matching
TU Munich（慕尼黑工业大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；University of Bonn（波恩大学）
本文提出一种基于整数线性规划的部分形状匹配方法，通过整合深度形状特征并采用由粗到细的优化方案，实现了低分辨率形状上的全局最优匹配，显著提升了部分形状匹配的可靠性与平滑度。
2023-09-10 cs.CV
An End-to-End Deep Learning Generative Framework for Refinable Shape Matching and Generation
School of Computing, University of Leeds（利兹大学计算机学院）；University of Manchester（曼彻斯特大学）；School of Computing Science, University of Glasgow（格拉斯哥大学计算机科学学院）
针对3D医学形状生成中顶点不统一、缺乏对应关系的难题，提出基于图表示的无监督几何深度学习框架及扩展多图谱模型，可建立形状对应、生成逼真合成形状，适用于电子临床试验。
2024-03-10 cs.AI cs.CV
Step-by-Step Diffusion: An Elementary Tutorial
Apple（苹果公司）；Mila（米拉计算科学研究所）；Université de Montréal（蒙特利尔大学）
该研究推出面向无扩散经验技术受众的机器学习扩散模型与流匹配入门课程，兼顾数学细节简化性与算法推导精度。
2024-06-23 cs.AI cs.CV cs.LG
G-MSM: Unsupervised Multi-Shape Matching with Graph-based Affinity Priors
Technical University of Munich（慕尼黑工业大学）
本文提出了一种新的基于图的多形状匹配方法G-MSM（Graph-based Multi-Shape Matching），用于非刚性形状匹配的无监督学习。而不是把一个集合的输入构成一个无序的样本集，我们明确地建模的基础形状数据流形。为此，我们提出了一个自适应的多形状匹配架构，构建一个亲和图上的一组给定的训练形状在一个自我监督的方式。其关键思想是通过在底层形状图中沿着最短路径传播映射来组合假定的成对对应。在训练过程中，我们在这些最佳路径和成对匹配之间强制执行循环一致性，这使我们的模型能够学习拓扑感知的形状先验。我们探索不同类别的形状图，并恢复特定的设置，如基于模板的匹配（星形图）或可学习的排名/排序（TSP图），作为我们框架中的特殊情况。最后，我们展示了最先进的性能在几个最近的形状对应基准，包括现实世界的三维扫描网格拓扑噪声和具有挑战性的类间对。
2022-12-06 cs.CV
Isometric Multi-Shape Matching
Technical University of Munich（慕尼黑工业大学）；Halmstad University（哈尔姆斯塔德大学）
针对多形状间等距对应缺乏显式建模的问题，本文提出新型优化公式与求解算法，保证循环一致性，并在多个数据集上达到新的最先进水平。
2024-04-03 cs.CV
Joint Symmetry Detection and Shape Matching for Non-Rigid Point Cloud
LIX, Ecole Polytechnique, IP Paris（巴黎理工学院综合理工学院计算机科学实验室）
尽管深度功能图在非刚性3D形状匹配中取得了成功，但不存在同时对自对称性和形状匹配进行建模的学习框架。尽管由于对称性失配引起的误差是非刚性形状匹配中的主要挑战。在本文中，我们提出了一个新的框架，同时学习两个自对称性以及一对形状之间的成对映射。我们的核心思想是通过正则化项耦合自对称映射和成对映射，该正则化项提供了对两者的联合约束，从而导致更精确的映射。我们在几个基准测试中验证了我们的方法，在这两个任务上它都优于许多竞争基线。
2022-04-19 cs.AI cs.CV cs.GR
Self-Supervised Learning for Multimodal Non-Rigid 3D Shape Matching
University of Bonn（波恩大学）
3D形状的匹配已经被广泛地研究用于表示为表面网格的形状以及表示为点云的形状。虽然点云是原始真实世界3D数据（例如来自激光扫描仪）的常见表示，但网格编码丰富且富有表现力的拓扑信息，但它们的创建通常需要某种形式的（通常是手动的）管理。反过来，纯粹依赖于点云的方法无法满足利用附加拓扑结构的基于网格的方法的匹配质量。在这项工作中，我们通过引入一种自监督的多模态学习策略来缩小这一差距，该策略将基于网格的功能图正则化与耦合网格和点云数据的对比损失相结合。我们的形状匹配方法允许获得三角形网格，完整的点云和部分观察到的点云，以及在这些数据模式的对应关系的模内对应。我们证明，即使与最近的监督方法相比，我们的方法在几个具有挑战性的基准数据集上也取得了最先进的结果，并且我们的方法达到了以前从未见过的跨数据集泛化能力。
2023-03-20 cs.AI cs.CG cs.CV
Deformation-Guided Unsupervised Non-Rigid Shape Matching
Inria（法国国家信息与自动化研究所）；University Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Interdigital（Interdigital公司）
本文提出一种无监督数据驱动的非刚性形状匹配方法，通过分层块表示与近似刚性形变约束实现多尺度匹配，显著提升了含噪声原始3D扫描的匹配鲁棒性。
2023-11-27 cs.CV
String Methods for Stochastic Image and Shape Matching
Imperial College（帝国理工学院）；University of Copenhagen（哥本哈根大学）
图像的匹配和形状差异的分析传统上通过用于匹配形状对象的变形路径的能量最小化来进行。在大变形超纯度量映射（LDDMM）框架中，匹配泛函上的迭代梯度下降导致非正式地称为Beg算法的匹配算法。当引入随机性来模拟形状的随机可变性并提供观察到的形状数据的更真实的模型时，相应的匹配问题可以用随机Beg算法来解决，类似于在罕见事件采样中使用的有限温度弦方法。在本文中，我们应用一个随机模型兼容的几何LDDMM框架，以获得一个随机模型的图像，我们推导出随机版本的乞讨算法，我们比较字符串的方法和期望最大化优化后验似然。随机LDDMM地标和图像的算法和统计推断的使用进行了测试。
2018-10-20 cs.CV
A novel shape matching descriptor for real-time hand gesture recognition
Imperial College London（伦敦帝国学院）
当前最先进的手势识别方法严重依赖于机器学习的使用。然而，在某些情况下，机器学习无法成功应用，例如在数据稀缺的情况下。这是在查询和手势数据集之间需要一对一匹配的情况，其中每个手势表示唯一的类。在无法训练学习算法的情况下，可以使用诸如特征提取之类的经典计算机视觉技术来识别对象之间的相似性。形状是从图像中提取的最重要的特征之一，然而，对于实时的【形】应用，最精确的形状匹配算法往往是计算效率低的。在这项工作中，我们提出了一种新的形状匹配方法的实时的【形】手势识别。使用我们自己收集的手势数据集和修改后的MPEG-7数据集进行了大量的实验，比较了我们的方法与其他形状匹配方法的准确性和计算复杂性。它广泛用于比较2D形状匹配算法。我们的方法优于其他方法，并提供了一个很好的组合精度和计算效率的实时的【形】应用。
2021-03-10 cs.CV
An Integer Linear Programming Approach to Geometrically Consistent Partial-Partial Shape Matching
Technical University of Munich（慕尼黑技术大学）；MCML；University of Bonn（波恩大学）；Lamarr Institute（拉马尔研究所）
本文提出了一种基于整数线性规划的方法，用于解决部分-部分3D形状匹配中的几何一致性问题，实现了高精度匹配和良好的可扩展性。
2026-02-06 cs.CV
Hand Shape and Gesture Recognition using Multiscale Template Matching, Background Subtraction and Binary Image Analysis
Graduate School of Arts & Sciences（文理研究生院）；Boston University（波士顿大学）
本文提出一种结合多尺度模板匹配与背景减除的手形分类方法，通过提取二值图像特征实现基础手势识别，在受控环境中验证了其在人机交互场景中的有效性。
2024-02-15 cs.CV
Articulated Shape Matching Using Laplacian Eigenfunctions and Unsupervised Point Registration
INRIA Rhône-Alpes（法国国立信息学与自动化研究院罗讷-阿尔卑斯研究中心）
当每个体素集由一个加权图描述时，匹配由体素集表示的关节形状归结为最大子图同构。谱图理论可以用来将这些图映射到低维空间，并通过对齐它们的嵌入来匹配形状，因为它们对姿态的变化不变性。经典的图同构方案依赖于特征值的排序来对齐特征空间，当处理大数据集或噪声数据时失败。我们推导出一种新的公式，该公式通过选择拉普拉斯矩阵的本征函数的最佳子集来找到两个全等的$K$维点集之间的最佳对齐。通过匹配用直方图构建的特征函数签名来完成选择，并且保留的集合为对齐问题提供了智能初始化，对整体性能有相当大的影响。密集的形状匹配转换成图匹配减少，然后，在正交变换下的嵌入点配准;配准是使用无监督聚类和EM算法的框架来解决的。通过定义一个适当的离群值类来处理不相同形状的最大子集匹配。挑战性的例子的实验结果表明，该算法如何自然地处理拓扑结构的变化，形状的变化和不同的采样密度。
2020-12-14 cs.CV
Partial-to-Partial Shape Matching with Geometric Consistency
Technical University of Munich（慕尼黑工业大学）；University of Bonn（波恩大学）
针对三维扫描导致的部分到部分形状匹配难题，本文利用几何一致性约束，提出基于三角形乘积空间的整数非线性规划及线性整数规划剪枝算法，并构建新类间数据集，在类内与类间基准上均超越现有SOTA方法。
2024-05-10 cs.CV
Flexible 3D Lane Detection by Hierarchical Shape MatchingFlexible 3D Lane Detection by Hierarchical Shape Matching
Xi’an Jiaotong University（西安交通大学）；Tencent（腾讯）
针对3D车道线检测的精度与场景适应性难题，提出基于分层形状匹配的端到端点云3D车道检测器，通过全局参数曲线回归与局部锚点单元检测结合的方式，在高精度标准下性能超越现有顶尖方法。
2024-08-13 cs.CV
Conjugate Product Graphs for Globally Optimal 2D-3D Shape Matching
University of Bonn（波恩大学）；University of Siegen（锡根大学）
本文提出基于共轭乘积图的全新2D-3D形状匹配形式化方法，首次引入高阶代价与局部刚性先验，有效规避退化解，实现全局最优、连续且支持部分形状的匹配。
2023-04-03 cs.CV
Learning Canonical Embedding for Non-rigid Shape Matching
LIX, Ecole Polytechnique（巴黎综合理工学院（LIX））；IP Paris（巴黎理工学院（IP Paris））
本文提供了一个新的框架，学习规范嵌入非刚性形状匹配。与此方向的先前工作相比，我们的框架是端到端训练的，因此避免了与常用的Laplace-Beltrami基或顺序优化方案相关的不稳定性和约束。在多个数据集上，我们证明了使用深度功能图学习自对称图可以将3D形状投影到低维规范嵌入中，从而通过简单的最近邻搜索促进非刚性形状对应。我们的框架在FAUST和SHREC基准测试中优于多个最近的基于学习的方法，同时计算成本更低，数据效率更高，并且鲁棒。
2021-10-06 cs.AI cs.CV cs.GR
Elasticity-based Matching by Minimizing the Symmetric Difference of Shapes
The Weizmann Institute of Science（魏茨曼科学研究所）
我们考虑匹配两个形状的问题，假设这些形状是相关的弹性变形。使用线性弹性理论和有限元法，我们寻求由简单的外部边界力引起的弹性变形，并说明两种形状之间的差异。我们的主要贡献是在提出一个成本函数和优化程序，以尽量减少变形和目标形状之间的对称差异作为替代点匹配，指导其他技术中的匹配。我们展示了如何近似的非线性优化问题的一系列凸问题。我们证明了我们的方法在实验中的实用性，并将其与类似ICP的匹配算法进行比较。
2015-10-15 cs.CG cs.CV
Fast Globally Optimal and Geometrically Consistent 3D Shape Matching
University of Bonn（波恩大学）；Lamarr Institute（拉马尔研究所）
针对3D形状匹配中几何一致性难保障的问题，提出将形状表面表示为循环路径、通过超积图最小代价环流求解全局最优一致匹配的可扩展框架，实验验证其高效且高质量。
2025-07-29 cs.CV cs.GR
ShapeY: Measuring Shape Recognition Capacity Using Nearest Neighbor Matching
University of Southern California（南加州大学）
人类的物体识别主要依赖于形状线索。我们已经开发了一种新的方法来衡量形状识别性能的视觉系统基于最近邻视图匹配系统的嵌入空间。我们的性能基准，ShapeY，允许精确控制任务难度，通过强制执行视图匹配跨越指定程度的3D视点变化和/或外观变化。作为第一个测试案例，我们测量了在ImageNet上预训练的ResNet 50的性能。匹配出错率很高。例如，27度的物体俯仰变化导致ResNet 50在45%的时间内匹配不正确的物体。外观变化也具有高度破坏性。对错误匹配的检查表明，ResNet 50的嵌入空间严重“混乱”。这些发现表明，ShapeY可以成为一个有用的工具，用于绘制人工视觉系统向人类水平形状识别能力的进展。
2021-11-16 cs.CV cs.LG
Shape Non-rigid Kinematics (SNK): A Zero-Shot Method for Non-Rigid Shape Matching via Unsupervised Functional Map Regularized Reconstruction
École Polytechnique（巴黎综合理工学院）；IP Paris（巴黎理工学院）；LIX（LIX实验室）
本文提出零样本非刚性形状匹配方法 SNK，利用 encoder-decoder 重建、无监督函数映射到点对点映射监督及新型 decoder，在传统基准上取得有竞争力的精度。
2024-03-11 cs.CV
Smoothness and effective regularizations in learned embeddings for shape matching
LIX（巴黎综合理工学院计算机实验室）；Ecole Polytechnique, IP Paris（巴黎综合理工学院（巴黎理工学院））
许多创新的应用程序需要建立3D几何对象之间的对应关系。然而，光滑表面的无数可能的变形使得形状匹配成为一项具有挑战性的任务。在高维空间中找到一个嵌入来表示不同的形状，在高维空间中匹配更容易解决，这是一条很好的道路，已经给出了许多出色的解决方案。最近，一种新的趋势已经显示出学习这种表示的优势。这个新的想法促使我们研究哪些属性区分这些数据驱动的嵌入，哪些属性促进了最先进的结果。在这项研究中，我们首次分析了数据驱动的学习嵌入中出现的属性及其与形状匹配任务的关系。我们的发现强调了匹配和平滑之间的密切联系，这是训练中自然产生的。此外，我们还证明了嵌入的正交性与对应的双射性之间的关系。我们的实验显示了令人兴奋的结果，克服了公认的替代方案，并为学习嵌入的相关上下文和属性提供了不同的见解。
2022-06-08 cs.CV
DcMatch: Unsupervised Multi-Shape Matching with Dual-Level Consistency
Tianwei Ye, Yong Ma, Xiaoguang Mei（田伟毅、马永、梅小广）
针对3D形状间点对点对应问题，提出无监督多形状匹配框架DcMatch，通过形状图注意力网络构建共享潜在空间，结合空间与谱域双层次一致性约束，实验表明其性能优于现有方法。
2025-11-12 cs.CV
GenCorres: Consistent Shape Matching via Coupled Implicit-Explicit Shape Generative Models
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
提出无监督联合形状匹配方法 GenCorres，通过耦合隐式与显式形状生成模型，在更大合成形状集合上约束变形并统一一致匹配与成对匹配，实验显著优于现有方法。
2024-04-16 cs.CV
Efficient Globally Optimal 2D-to-3D Deformable Shape Matching
Universität Siegen（锡根大学）；Sapienza Università di Roma（罗马大学）；Università della Svizzera Italiana（提契诺大学）；Technische Universität München（慕尼黑工业大学）
我们提出了第一个算法的非刚性2D到3D形状匹配，其中输入是一个二维形状表示为一个平面曲线和一个3D形状表示为一个表面，输出是一个连续的曲线上的表面。我们把问题转化为在曲面和曲线的乘积3流形上寻找最短的圆形路径。我们证明了最佳匹配可以在多项式时间内计算，（最坏情况下）的复杂度为$O(mn^2\log(n))$，其中$m$和$n$分别表示模板曲线和3D形状上的顶点数。我们还表明，在实践中的运行时间基本上是线性的$m\!\cdot\! n$，使其成为一个有效的方法进行形状分析和形状检索。定量评价证实，该方法提供了良好的效果，基于草图的可变形三维形状检索。
2022-01-21 cs.CV
Adaptive Locally Affine-Invariant Shape Matching
Indian Institute of Technology Madras（马德拉斯印度理工学院）
由于形状可能是物体最可区分的特征，因此利用形状匹配可变形物体是计算机视觉中的一个重要问题。这个问题是困难的，由于许多因素，如类内变化，局部变形，关节，视点变化和错过和无关的轮廓部分，由于形状提取的错误。虽然在文献中已经通过允许经由诸如倒角距离和Hausdorff距离的方法在个体轮廓点的匹配中有一些余地来处理小的局部变形，但是已经通过应用诸如相似性或仿射的局部几何校正来处理更严重的变形和关节。然而，确定形状的哪些部分应该用于几何校正是非常困难的，尽管已经尝试了一些方法。在本文中，我们解决了这个问题，一个有效的搜索组的轮廓段被聚集在一起的几何校正使用动态规划，基本上是搜索分割的两个形状，导致它们之间的最佳匹配。同时，我们允许轮廓的部分保持不匹配，以处理丢失和无关的轮廓部分。实验结果表明，该方法的性能优于其他算法，特别是当要匹配的形状更复杂。
2015-04-25 cs.CV
Wormhole Loss for Partial Shape Matching
Technion - Israel Institute of Technology（以色列理工学院）
针对部分形状匹配中点的选取及距离有效性验证难题，提出基于虫洞损失的新准则，结合三类距离关系优化匹配，作为损失函数训练网络取得当前最优结果。
2024-10-30 cs.CV
Matching Disparate Image Pairs Using Shape-Aware ConvNets
Netaji Subhas Institute of Technology（内塔吉·苏巴斯理工学院）；The University of Georgia（佐治亚大学）
提出了一种端到端可训练的ConvNet架构，该架构学习利用形状表示的能力来匹配不同的图像对。不同的图像对被认为是那些表现出强烈的仿射变化的规模，视点和投影参数伴随着存在的部分或完全闭塞的对象和极端变化的环境照明。在这些具有挑战性的条件下，无论是局部还是全局的基于特征的图像匹配方法，当孤立使用时，已被观察到是有效的。建议的对应关系确定方案匹配不同的图像利用高级别的形状线索，来自低级别的本地特征描述符，从而结合了最好的两个世界。通过构建一个嵌入两幅图像中特征点之间距离的亲和矩阵，生成不同图像对的基于图的表示，从而将对应性确定问题建模为图匹配问题之一。亲和矩阵的本征谱，即，然后，使用所学习的全局形状表示来进一步回归定义源图像和目标图像之间的对应关系的变换或单应性。所提出的计划是产生国家的最先进的结果，粗层次的形状匹配，以及精细逐点对应确定。
2018-11-24 cs.CV
Synchronous Diffusion for Unsupervised Smooth Non-Rigid 3D Shape Matching
University of Bonn（波恩大学）；Lamarr Institute（拉马尔研究所）
针对无监督非刚性3D形状匹配中逐点对应空间平滑性不足的问题，提出将同步扩散作为正则化项，在多数据集上验证其可显著提升匹配性能，尤其适配拓扑噪声场景。
2024-07-11 cs.CG cs.CV
Robust Template Matching via Hierarchical Convolutional Features from a Shape Biased CNN
King’s College London（伦敦国王学院）
在搜索图像中找到模板是许多计算机视觉应用的重要任务。最近的方法在由卷积神经网络（CNN）产生的深特征空间中执行模板匹配，发现其对外观变化提供更多的容限。在这篇文章中，我们研究了增强CNN的形状信息编码是否可以产生更多可区分的特征，从而提高模板匹配的性能。这项调查的结果在一个新的模板匹配方法，产生国家的最先进的结果在一个标准的基准。为了证实这些结果，我们还创建了一个新的基准，并表明所提出的方法在这个新的数据集上也优于现有的技术。我们的代码和数据集可以在https://github.com/iminfine/Deep-DIM上找到。
2021-05-07 cs.CV
Perceptually Motivated Shape Context Which Uses Shape Interiors
Nanyang Technological University（南洋理工大学）
在本文中，我们确定了一些目前的形状匹配技术的局限性。我们提供的例子，如何基于轮廓的形状匹配技术不能提供一个很好的匹配某些视觉相似的形状。为了克服这一限制，我们提出了一个感知动机的变化，众所周知的形状上下文描述符。我们确定，内部属性的形状在对象识别中发挥了重要作用，并开发了一个描述符，捕捉这些内部属性。我们表明，我们的方法可以很容易地增强与任何其他形状匹配算法。我们还表明，从我们的实验中，使用我们的描述符可以显着提高检索率。
2012-12-19 cs.CV
A Combinatorial Solution to Non-Rigid 3D Shape-to-Image Matching
Luxembourg Centre for Systems Biomedicine, University of Luxembourg（卢森堡大学系统生物医学中心）；Centre Hospitalier de Luxembourg（卢森堡中心医院）；Technical University of Munich (TUM)（慕尼黑工业大学）
我们提出了一个组合的解决方案，非刚性匹配的3D形状的3D图像数据的问题。为此，我们将形状建模为三角形网格，并允许该网格的每个三角形进行刚性变换，以实现与图像的适当匹配。通过惩罚相邻三角形之间的距离和相对旋转，我们的匹配在图像和形状信息之间做出了妥协。在本文中，我们解决了两个主要的挑战：首先，我们解决了由此产生的大型和NP-难组合问题与适当的图论方法。其次，我们提出了一个有效的离散化的无界6维李群SE（3）。据我们所知，这是第一个非刚性3D形状图像匹配的组合配方。与现有的本地（梯度下降）优化方法相比，我们得到的解决方案，不需要一个很好的初始化，并在一个范围内的最优解。我们评估所提出的方法上的两个问题，非刚性的3D形状到形状和非刚性的3D形状到图像配准，并证明它提供了有前途的结果。
2017-05-18 cs.CV math.OC
ShapeY: A Principled Framework for Measuring Shape Recognition Capacity via Nearest-Neighbor Matching
ShapeY通过最近邻匹配任务评估OR系统基于形状的识别能力，揭示了现有模型在3D视角和外观变化下的泛化困难，强调了解耦和不变的物体编码的重要性。
2026-10-09 cs.CV
Characterizing Structure Through Shape Matching and Applications to Self Assembly
University of Michigan（密歇根大学）
序参量和关联函数等结构量常被用来研究凝聚态系统的物理行为和性质。虽然存在表征结构的标准量，但它们通常不足以处理纳米和微米尺度自组装的新兴领域中的问题，其中遇到的结构可能是复杂和不寻常的。计算机科学领域的“形状匹配”通过定义各种方法来量化任意复杂形状之间的相似性，为这个问题提供了一个强大的解决方案。凝聚态物质中使用的大多数序参量和关联函数在更广泛的方案中应用结构相似性的特定度量。通过用形状匹配量代替传统量，我们保留了更广泛方案的本质，但将其适用性扩展到更复杂的结构。在这里，我们回顾了一些标准的形状匹配技术，并讨论了如何使用它们来创建高度灵活的结构度量不同的系统，如自组装物质。我们提供了三个应用形状匹配方法来识别局部和全局结构，并跟踪复杂组装系统中的结构转换的概念验证示例问题。这里回顾的形状匹配方法适用于广泛的凝聚态系统，模拟和实验，粒子的位置是已知的或可以准确地成像。
2010-12-21 cond-mat.soft cs.CV
Deep Shape Matching
CTU in Prague（布拉格捷克理工大学）
我们将形状匹配作为卷积网络的度量学习。我们将图像表示的端到端过程分为两个部分。首先，建立有效的方法被选择来把图像变成边缘图。其次，网络训练的地标图像，这是自动获得的结构从运动管道的边缘图。在一系列不同的任务上评估所学习的表示，在具有挑战性的领域泛化、基于草图的通用图像检索或其细粒度对应物的情况下提供改进。与其他根据任务、对象类别或领域学习不同模型的方法相比，我们在所有实验中使用相同的网络，在多个基准测试中获得了最先进的结果。
2018-07-25 cs.CV
Matching Shapes Under Different Topologies: A Topology-Adaptive Deformation Guided Approach
Univ. Grenoble Alpes, CNRS, Inria, Grenoble INP, LJK, France（格勒诺布尔阿尔卑斯大学、国家科学研究中心、法国国家信息与自动化技术研究所、格勒诺布尔INP、LJK、法国）
针对非刚性三维网格匹配中拓扑伪影破坏现有假设的问题，提出拓扑自适应变形模型，联合优化模板网格拓扑与对齐，无需数据先验即可处理非等距及含伪影形状，对齐质量超越大数据训练方法。
2025-09-08 cs.CV
3D Shape Registration Using Spectral Graph Embedding and Probabilistic Matching
Inria Grenoble Rhône-Alpes（法国国家信息与自动化研究所罗纳-阿尔卑斯大区格勒诺布尔研究中心）
我们解决了三维形状配准的问题，我们提出了一种新的技术，基于谱图理论和概率匹配。3D形状分析的任务涉及跟踪，识别，配准等，在一个单一的框架中分析3D数据仍然是一个具有挑战性的任务，考虑到不同的采集设备收集的数据的大的变化。3D形状配准是这样一个具有挑战性的形状分析任务。本章的主要贡献是通过谱图匹配与拉普拉斯嵌入相结合，将谱图匹配方法扩展到非常大的图。由于图的嵌入表示是通过降维得到的，我们认为现有的基于谱的方法不容易适用。我们讨论了精确和不精确图同构问题的解决方案，并回顾了组合图Laplacian的主要谱性质：我们提供了一种新的分析，使我们能够解释后者的PCA图，并选择适当的维度相关联的嵌入度量空间的通勤时间嵌入;我们推导出一个单位超球归一化的通勤时间嵌入，使我们能够注册两个形状与不同的采样;我们提出了一种新的方法来寻找特征值-特征向量排序和特征向量的符号使用的特征签名（直方图），这是不变的等距形状变形，以及适合在谱图匹配框架，我们提出了一个概率形状匹配公式，使用期望最大化点配准算法之间交替对齐的特征基，并找到一个顶点到顶点的分配。
2021-06-21 cs.CV stat.ML
Descriptor-Free Multi-View Region Matching for Instance-Wise 3D Reconstruction
Osaka University（大阪大学）；Japan Science and Technology Agency（日本科学技术振兴机构）
本文提出了一种不依赖于纹理或形状描述符匹配的实例分割的多视图扩展。对于具有重复纹理和形状的场景，多视图实例分割变得具有挑战性，例如，植物叶子，由于使用纹理或形状描述符的多视图匹配的困难。为此，我们提出了一种基于对极几何的多视点区域匹配方法，该方法不依赖于任何特征描述符。我们进一步表明，核线区域匹配可以很容易地集成到实例分割和有效的实例明智的3D重建。实验结果表明，该方法在多视点实例匹配和三维重建中的准确性较基线方法有较大提高。
2020-11-27 cs.CV
Unsupervised cycle-consistent deformation for shape matching
LIGM (UMR 8049) École des Ponts UPE（巴黎桥路大学LIGM实验室（法国国家科研中心8049混合研究单位））；Adobe Research（奥多比研究院）
我们提出了一个自我监督的方法，深表面变形。给定一对形状，我们的算法直接预测从一个形状到另一个形状的参数变换。我们的见解是使用周期一致性来定义对象组中良好对应的概念，并将其用作训练我们的网络的监督信号。我们的方法不依赖于模板，假设近等距变形或依赖于点对应监督。我们证明了我们的方法的有效性，通过使用它来转移分割的形状。我们在Shapenet上展示了，当注释的训练数据很容易获得时，我们的方法与同类最先进的方法相比具有竞争力，但在Few-Shot分割场景中，我们的方法远远优于它们。
2019-07-06 cs.CV
DiscoMatch: Fast Discrete Optimisation for Geometrically Consistent 3D Shape Matching
University of Bonn（波恩大学）；MPI for Informatics（马克斯·普朗克信息学研究所）；Saarland Informatics Campus（萨尔兰信息学园区）；Heinrich-Heine University Düsseldorf（海因里希·海涅杜塞尔多夫大学）
针对3D形状匹配中基于学习方法缺乏几何一致性、基于公理优化方法难扩展且需初始化的问题，提出兼具无需初始化、可大规模并行、提供最优性间隙、提升匹配质量并减少运行时间等特性的组合求解器DiscoMatch。
2024-11-26 cs.CV
A Scalable Combinatorial Solver for Elastic Geometrically Consistent 3D Shape Matching
TU Munich（慕尼黑工业大学）；University of Bonn（波恩大学）；MPI Informatics（马克斯·普朗克信息学研究所）
我们提出了一个可扩展的组合算法，用于全局优化的空间几何一致的3D形状之间的映射。我们使用Windheuser等人（ICCV 2011）提出的数学上优雅的形式主义，其中3D形状匹配被制定为保持方向的同构空间上的整数线性规划。到目前为止，由于其复杂的约束结构和庞大的规模，所得到的公式具有有限的实际适用性。我们提出了一种新的原始启发式加上拉格朗日对偶问题，是几个数量级的速度比以前的求解器。这使我们能够处理比以前可解的三角形多得多的形状。我们在不同的数据集上展示了令人信服的结果，甚至展示了我们可以解决匹配两个部分形状而没有完整形状的挑战性设置。我们的代码可在http://github.com/paul0noah/sm-comb上公开获取。
2022-04-27 cs.CV cs.GR math.OC
Efficient Deformable Shape Correspondence via Kernel Matching
TU Munich（慕尼黑工业大学）；Technion（以色列理工学院）；TAU（特拉维夫大学）；Sapienza University of Rome（罗马大学）；USI Lugano（卢加诺大学）；Intel（英特尔）
提出了一种在非等轴变形、拓扑变化和变形情况下的三维形状匹配方法。我们制定的问题之间的匹配一组成对和逐点描述符，施加连续性之前的映射，并提出了一个投影下降优化程序的启发，凸函数（DC）的差异规划。令人惊讶的是，尽管所产生的二次分配问题的高度非凸性，我们的方法收敛到语义上有意义的和连续的映射在我们的实验中，并扩展良好。我们提供了初步的理论分析和几种解释的方法。
2017-09-15 cs.CV
Teaching DINOv3 About Partial 3D Geometry: A Self-Supervised Geometry-Aware Approach
Technical University of Munich（慕尼黑工业大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；University of Bonn（波恩大学）
针对部分形状匹配问题，本研究提出基于LoRA的自监督学习方法优化DINO特征，生成对部分观测鲁棒的描述符，在相关基准上取得最优结果。
2026-10-16 cs.CV
Bending Graphs: Hierarchical Shape Matching using Gated Optimal Transport
Technische Universität München（慕尼黑工业大学）；Ca’ Foscari University of Venice（威尼斯大学）；USI University of Lugano（卢加诺大学）；Google（谷歌）
形状匹配一直是计算机图形学和视觉界长期研究的问题。目标是预测具有一定程度变形的网格之间的密集对应。现有的方法要么考虑采样点的局部描述，要么基于全局形状信息发现对应关系。在这项工作中，我们研究了一个分层的学习设计，我们将当地的补丁级信息和全球形状级结构。这种灵活的表示使得能够进行对应预测，并为匹配阶段提供丰富的特征。最后，我们提出了一种新的最优传输求解器，通过循环更新非置信节点上的特征来学习形状之间的全局一致对应。我们在公开数据集上的结果表明，在存在严重变形的情况下，无需进行大量的训练或改进，就可以实现强大的性能。
2022-02-03 cs.CG cs.CV cs.GR
Implicit field supervision for robust non-rigid shape matching
École Polytechnique（巴黎综合理工学院）；IP Paris（巴黎理工学院）
建立两个非刚性变形形状之间的对应关系是视觉计算中最基本的问题之一。现有的方法往往表现出较弱的弹性时，提出了与现实世界的数据，如噪声，离群值，自遮挡等挑战。另一方面，自动解码器已经表现出强大的表达能力，在学习几何有意义的潜在嵌入。然而，它们在\emph{shape analysis}中的使用受到限制。在本文中，我们介绍了一种基于自动解码器框架的方法，该方法在固定模板上学习连续的形状变形场。通过一种新的\emph{Signed Distance Regularisation}（SDR）来监控曲面上点的形变场和曲面外点的正则化，学习模板和形状\emph{volumes}之间的对齐。经过清洁防水网格、\emph{without}和任何数据增强的培训，我们在受损数据和真实世界扫描上展示了令人信服的性能。
2022-07-21 cs.CV
A correspondence-less approach to matching of deformable shapes
Università della Svizzera Italiana（瑞士意大利语大学）；Tel Aviv University（特拉维夫大学）
在部分可用的可变形形状之间找到匹配对于许多应用是具有挑战性的问题。这个问题通常通过计算一对形状的局部描述符，然后在两者之间建立逐点对应来解决。在本文中，我们介绍了一种替代的对应少的方法来匹配片段的整个形状进行非刚性变形。我们使用扩散几何描述符和优化的集成域上的两个部分的积分描述符匹配。该问题是正规化使用Mumford-Shah功能。我们展示了一个有效的离散化的基础上的Ambrosio-Tortorelli近似推广到三角形网格。实验证明所提出的方法的成功。
2011-01-29 cs.CG cs.CV
A new algorithm for shape matching and pattern recognition using dynamic programming
Laval University（拉瓦尔大学）；University Hassan First（哈桑一世大学）
提出了一种基于动态规划的形状识别和检索方法。我们的方法使用动态规划算法来计算最佳分数，并找到两个字符串之间的最佳对齐。首先，形状的每个轮廓由一组点表示。在两个形状之间对齐和匹配之后，轮廓被转换成一串符号和数字。最后，我们找到两个完整的字符串的最佳对齐，并计算相似性的最佳成本。一般来说，动态规划有两个阶段：向前阶段和向后阶段。在正向阶段，我们计算每个子问题的最优成本。在反向阶段，我们重建给出最优成本的解决方案。我们的算法进行了测试，在一个数据库中，包含各种形状，如MPEG-7。
2019-04-04 cs.CV cs.IR
Unsupervised Scale-Invariant Multispectral Shape Matching
Tel Aviv University（特拉维夫大学）
非刚性可拉伸结构之间的对齐是计算机视觉中最具挑战性的任务之一，因为不变量属性难以定义，并且没有用于真实数据集的标记数据。我们提出了无监督神经网络架构的基础上的频谱域的尺度不变的几何。我们建立在功能地图架构之上，但到目前为止，学习本地功能是不够的，一旦等距假设打破。我们演示了使用多个尺度不变的几何解决这个问题。我们的方法是不可知的本地规模的变形，并显示出优越的性能匹配形状从不同的域相比，现有的光谱最先进的解决方案。
2022-08-28 cs.CV cs.LG
Globally Optimal Joint Image Segmentation and Shape Matching Based on Wasserstein Modes
提出了一种变分目标分割和形状匹配的联合泛函。该配方是基于最佳运输w.r.t.几何距离和局部特征相似度。通过引入描述形状模板的变换和变形的自由度来实现对象典型统计变化的几何不变性和建模。形状模型在数学上等同于基于轮廓的方法，但是可以在轮廓和区域表示之间没有转换的情况下执行推断，从而允许与其他凸分割方法组合并简化优化。虽然整体功能是非凸的，非凸性仅限于一个低维变量。我们提出了一个局部最优的交替优化计划和一个全局最优的分支定界计划，基于自适应凸松弛。结合这两种方法，可以消除微妙的初始化问题固有的许多轮廓为基础的方法，同时保持计算实用。通过数值实验，说明和比较了该泛函的性质，它适应各种输入数据结构的能力和不同的优化方案。
2014-12-29 cs.CV
LRF-Net: Learning Local Reference Frames for 3D Local Shape Description and Matching
Huazhong University of Science and Technology（华中科技大学）；Northwestern Polytechnical University（西北工业大学）
局部参考系（LRF）在三维局部形状描述和匹配中起着关键作用。然而，大多数现有的LRF都是手工制作的，并且具有有限的可重复性和鲁棒性。本文提出了第一次尝试学习LRF通过暹罗网络，只需要弱监督。特别是，我们认为，在局部表面的每个相邻点给LRF建设和测量通过学习权重的贡献是独一无二的。针对不同应用场景的三个公共数据集的广泛分析和比较实验表明，LRF-Net比几种最先进的LRF方法更具可重复性和鲁棒性（LRF-Net仅在一个数据集上训练）。此外，LRF-Net在匹配3D点云时可以显着提高局部形状描述和6-DoF姿态估计性能。
2020-05-03 cs.CV cs.LG
Learning Local Descriptors by Optimizing the Keypoint-Correspondence Criterion: Applications to Face Matching, Learning from Unlabeled Videos and 3D-Shape Retrieval
University of Zagreb, Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）；Linköping University（林雪平大学）
当前最佳局部描述符是在匹配和非匹配关键点对的大型数据集上学习的。然而，这种类型的数据并不总是可用的，因为详细的关键点对应关系可能难以建立。另一方面，我们通常可以获得关键点包对的标签。例如，从同一对象在不同视图下的两个图像中提取的关键点包形成匹配对，而从不同对象的图像中提取的关键点包形成非匹配对。平均而言，匹配对应该比非匹配对包含更多的对应关键点。我们描述了一个端到端的可区分的架构，使学习的本地关键点描述符从这样的弱标记的数据。此外，我们还讨论了如何通过引入挖掘硬否定的过程来改进该方法。我们还展示了如何使用我们的方法从未标记的视频信号和3D模型中学习卷积特征。我们的实现可以在www.example.com上获得
2019-05-07 cs.CV
