Weakly-Supervised Learning of Dense Functional Correspondences
Stanford University（斯坦福大学）
针对跨类别图像密集对应匹配难题，提出基于视觉语言模型伪标注与密集对比学习的弱监督学习范式，构建新模型实现密集功能对应关系建立，并通过合成与真实数据集验证其优于现有基线方案。
2025-09-04 cs.CV
Deep Functional Maps: Structured Prediction for Dense Shape Correspondence
Tel Aviv University（特拉维夫大学）；Intel（英特尔）；USI Lugano（卢加诺大学）；Sapienza University of Rome（罗马大学）；Technion（以色列理工学院）
我们介绍了一个新的框架，学习可变形的3D形状之间的密集对应。现有的基于学习的方法将形状对应建模为标签问题，其中查询形状的每个点接收标识某个参考域上的点的标签;然后通过组成两个输入形状的标签预测来构造后验对应。我们提出了一个范式转变，并设计了一个结构化的预测模型的空间功能图，线性算子，提供了一个紧凑的表示的对应关系。我们通过深度残差网络对学习过程进行建模，该网络将定义在两个形状上的密集描述符字段作为输入，并输出两个给定对象之间的软映射。由此产生的对应关系被证明是准确的几个具有挑战性的基准，包括多个类别，合成模型，真正的扫描与采集伪影，拓扑噪声，和噪声。
2017-07-30 cs.CV
Cyclic Functional Mapping: Self-supervised correspondence between non-isometric deformable shapes
Tel Aviv University（特拉维夫大学）
我们提出了第一个完全自我监督的网络，用于非等距形状之间的密集对应映射。非欧区域的对齐问题是计算机视觉中最基本、最关键的问题之一。由于3D扫描仪可以生成高度复杂和密集的模型，因此在这些模型之间找到密集映射的任务至关重要。我们的解决方案的新颖性是基于度量空间之间的循环映射，其中一对点之间的距离在整个循环之后应该保持不变。由于生成逐点描述符的相同可学习规则适用于两个方向，因此网络在处理非等距变形的同时学习没有任何标签的不变结构。与已知的自监督和监督方法相比，我们在这里展示了各种任务的最先进的结果。
2019-12-03 cs.CG cs.CV cs.LG
MimicFunc: Imitating Tool Manipulation from a Single Human Video via Functional Correspondence
Southern University of Science and Technology（南方科技大学）；National University of Singapore（新加坡国立大学）
MimicFunc提出基于功能坐标系和关键点抽象的功能对应框架，使机器人能从单个人类RGB-D视频一次性泛化工具操作技能到新工具，并用于训练视觉运动策略，减少遥操作数据收集需求。
2025-08-19 cs.AI cs.CV cs.RO
Point-wise Map Recovery and Refinement from Functional Correspondence
Technische Universität München（慕尼黑工业大学）
自从他们在形状分析社区的介绍，功能地图已经会见了相当大的成功，由于他们的能力，compensately表示可变形形状之间的密集对应关系，从形状匹配和图像分割的应用程序，探索大型形状集合。尽管这种表示有许多优点，但是，将给定的功能图转换回点对点图的问题却受到了令人惊讶的有限关注。在本文中，我们分析了一般问题的逐点映射恢复任意功能地图。在这样做的时候，我们排除了目前建立的方法所需的许多假设-最值得注意的是，输入形状接近等距的限制要求。我们设计了一个简单的概率模型的基础上有效的恢复过程。实验证实，这种方法在非常具有挑战性的情况下实现了显着的准确性提高。
2015-06-18 cs.CG cs.CV
Zero-Shot Image Feature Consensus with Deep Functional Maps
PKU-WUHAN Institute for Artificial Intelligence（北京大学-武汉人工智能研究院）；Institute for AI, Peking University（北京大学人工智能研究院）；Department of Computer Science, Stanford University（斯坦福大学计算机科学系）
本文提出利用函数映射直接对对应场施加全局结构，将零样本图像对应问题从像素空间提升到函数空间，从而获得更平滑、更准确的对应，并在密集对应、关键点对应和可供性图迁移任务上达到新最先进水平。
2024-03-18 cs.CV
Riemannian Functional Map Synchronization for Probabilistic Partial Correspondence in Shape Networks
Carnegie Mellon University（卡内基梅隆大学）；Boston University（波士顿大学）；George Mason University（乔治梅森大学）；University of Bristol（布里斯托大学）；Imperial College London（帝国理工学院）；UC Santa Barbara（加州大学圣巴巴拉分校）
我们考虑的问题，图形匹配的网络上的3D形状的不确定性量化。我们假设成对形状对应有效地表示为\emph{functional maps}，其匹配在形状对上定义的实值函数。通过将近似等距形状之间的功能映射建模为李群$SO(n)$的元素，我们采用\emph{synchronization}来强制执行图上功能映射集合的循环一致性，从而提高单个映射的准确性。我们进一步介绍了一个回火贝叶斯概率推理框架$SO(n)$。我们的框架能够：（i）作为函数映射的黎曼流形上的最大后验估计的函数映射的同步，（ii）在我们的基于能量的模型中对解空间进行采样，以便量化同步问题中的不确定性。我们称后者为\emph{Riemannian Langevin Functional Map (RLFM) Sampler}。我们的实验表明，约束黎曼流形上的同步$SO(n)$提高了估计的功能地图，而我们的RLFM采样器提供了第一次的结果的不确定性量化。
2023-01-03 cs.CV cs.GR
Meta Deformation Network: Meta Functionals for Shape Correspondence
New York University（纽约大学）
我们提出了一种新的技术，名为“Meta Deformation Network”的三维形状匹配通过变形，其中一个深神经网络映射到第二个神经网络的参数的参考形状，其任务是通过变形给出学习的模板和查询形状之间的对应关系。我们将第二个神经网络归类为元函数，或者由另一个函数生成的函数，因为它的参数是由第一个网络在每个输入的基础上动态给出的。这导致了一个简单的整体架构和更快的执行速度，而不会损失模板变形的质量。我们在我们的实验表明，Meta变形网络导致改进的MPI-FAUST帧间挑战的设计，利用传统的解码器设计，具有非动态参数。
2020-06-26 cs.CV
Denoising Functional Maps: Diffusion Models for Shape Correspondence
University of Bonn（波恩大学）；Lamarr Institute（拉马尔研究所）；MPI for Informatics（马克斯·普朗克信息学研究所）
针对可变形形状对应泛化差且依赖特定类别数据的问题，提出基于去噪扩散模型的新方法，通过直接预测功能映射并结合模板参考与无监督基选择，在多种形状数据集上取得竞争力表现。
2025-04-02 cs.CV
Bilateral Operators for Functional Maps
Technion - Israel Institute Of Technology（以色列理工学院）
大多数形状对应框架是基于对应图上的逐点和成对约束的设计。功能映射框架允许在谱域中制定这些约束。在本文中，我们开发了一个功能地图框架的形状对应问题，通过构建成对的约束，使用逐点描述符。我们的核心观察是，每个逐点描述符允许构造成对核算子，其低频本征函数描绘在各种频率尺度下的相似描述符值的区域。通过聚集成对的信息从描述符和内在的几何形状的表面编码的热核，我们构造了一个混合核，并称之为双边算子。类似于图像处理中的边缘保持双边滤波器，双边算子对定义在流形上的函数的作用产生该函数的描述符相关的局部平滑。通过强迫对应映射与双边算子进行交换，我们表明，我们可以最大限度地利用功能映射框架中给定的逐点描述符集的信息。
2019-07-30 cs.CV
Correspondence Learning via Linearly-invariant Embedding
University of Verona（维罗纳大学）；LIX, Ecole Polytechnique, IP Paris（巴黎理工学院LIX实验室）；Sapienza University of Rome（罗马第一大学）
在本文中，我们提出了一个完全可微的管道，用于估计3D点云之间的精确密集对应。所提出的管道是功能图框架的扩展和概括。然而，而不是使用拉普拉斯-贝尔特拉米特征函数在几乎所有以前的作品在这一领域，我们证明，从数据中学习的基础，既可以提高鲁棒性，并导致更好的准确性，在具有挑战性的设置。我们将基础解释为学习嵌入到更高维空间中。按照功能映射范式，在这个嵌入空间中的最佳变换必须是线性的，我们提出了一个单独的架构，旨在通过学习最佳描述符函数来估计变换。这导致了第一个端到端可训练的基于功能映射的对应方法，其中基础和描述符都是从数据中学习的。有趣的是，我们还观察到学习\emph{canonical}嵌入会导致更差的结果，这表明为嵌入网络留下额外的线性自由度会使其具有更强的鲁棒性，从而也揭示了以前方法的成功。最后，我们证明了我们的方法在具有挑战性的非刚性3D点云对应应用中取得了最先进的结果。
2020-10-25 cs.CG cs.CV cs.LG
Composable Part-Based Manipulation
Stanford（斯坦福大学）；MIT（麻省理工学院）；NVIDIA（英伟达公司）；University of Utah（犹他大学）；Georgia Tech（佐治亚理工学院）
提出CPM框架，通过部件分解、部件对应约束与可组合扩散模型生成技能参数，提升机器人对新对象及类别的操作泛化能力。
2024-05-09 cs.AI cs.CV cs.LG
FRIDU: Functional Map Refinement with Guided Image Diffusion
Technion - Israel Institute of Technology（技术学院-以色列理工学院）
本研究提出FRIDU方法，将函数映射视为二维图像，在函数空间训练扩散模型，推理时用逐点映射引导扩散以满足正交性等目标，性能达SOTA，为函数映射处理提供新路径。
2025-06-17 cs.CV cs.LG
Integrating Efficient Optimal Transport and Functional Maps For Unsupervised Shape Correspondence Learning
University of California, Irvine（加利福尼亚大学欧文分校）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出无监督形状对应框架，结合函数映射正则化与基于切片Wasserstein距离的高效最优传输损失，并通过熵正则化OT自适应细化点对应，在非刚性匹配和分割迁移中取得先进性能。
2024-03-04 cs.AI cs.CV
DenseMatcher: Learning 3D Semantic Correspondence for Category-Level Manipulation from a Single Demo
Stanford University（斯坦福大学）；IIIS, Tsinghua University（清华大学交叉信息研究院）；UC Berkeley（加州大学伯克利分校）；Shanghai Jiao Tong University（上海交通大学）；Shanghai Qi Zhi Institute（上海期智研究院）；Shanghai AI Lab（上海人工智能实验室）；Tepan Inc.（特潘公司）
该研究针对类别级机器人操作的3D语义对应问题，提出DenseMatcher方法，通过多视角特征投影与3D网络优化顶点特征，结合功能映射计算对应，构建首个跨类别3D匹配数据集，显著提升匹配性能并验证下游操作与颜色映射有效性。
2024-12-06 cs.CV cs.RO
Tether: Autonomous Functional Play with Correspondence-Driven Trajectory Warping
University of Pennsylvania（宾夕法尼亚大学）；University of California, Berkeley（加州大学伯克利分校）；Dyna Robotics（Dyna机器人技术）
Tether通过基于对应驱动的轨迹扭曲，实现从少量演示开始的自主多任务玩耍，生成高质量数据集并提升模仿策略性能。
2026-03-03 cs.AI cs.CV cs.RO
ECO-TR: Efficient Correspondences Finding Via Coarse-to-Fine Refinement
Xiamen University（厦门大学）；Tencent Technology (Shanghai) Co.,Ltd（腾讯科技（上海）有限公司）；Nankai University（南开大学）
在统一的函数对应模型中对稀疏和密集图像匹配进行建模是近年来的研究热点。然而，现有的努力主要集中在提高匹配精度，而忽略了其效率，这是至关重要的现实世界的应用。在本文中，我们提出了一个高效的结构名为高效的对应Transformer（ECO-TR），通过发现对应在一个粗略到精细的方式，这显着提高了效率的功能对应模型。为了实现这一点，多个Transformer块被逐阶段地连接，以在共享的多尺度特征提取网络上逐渐细化预测坐标。给定一对图像和任意查询坐标，所有的对应关系都是在一个前馈通道内预测的。我们进一步提出了一个自适应的查询聚类策略和一个基于不确定性的离群值检测模块，以配合所提出的框架，更快，更好的预测。各种稀疏和密集匹配任务的实验表明，我们的方法在效率和有效性对现有的国家的最先进的优越性。
2022-09-25 cs.CV
Cross-Modal and Multimodal Data Analysis Based on Functional Mapping of Spectral Descriptors and Manifold Regularization
Artificial Intelligence Department, Faculty of Computer Engineering, University of Isfahan（伊斯法罕大学计算机工程学院人工智能系）；Univ. Grenoble Alpes, CNRS, Grenoble INP, GIPSA-lab（格勒诺布尔阿尔卑斯大学（Univ. Grenoble Alpes）、法国国家科学研究中心（CNRS）、格勒诺布尔综合理工学院（Grenoble INP）、GIPSA实验室（GIPSA-lab））
多模态流形建模方法将光谱几何感知数据分析扩展到从几个相关和互补的模态中学习。这些方法中的大多数基于两个主要假设工作：1）在每个模态中存在相同数量的同质数据样本，以及2）模态之间的至少部分对应关系被预先给定为先验知识。本文提出了两种新的多模态建模方法。第一种方法建立了一个通用的分析框架来处理异构数据的多模态信息问题，而不需要任何特定的先验知识。为此，首先，我们确定每个流形的地方提取局部描述符通过谱图小波签名（SGWS）。然后，我们提出了一个流形正则化框架的基础上SGWS描述符（FMBSD）之间的功能映射寻找逐点对应。第二种方法是基于逐点对应的流形正则化多模态分类方法（M $^2$ CPC），用于多模态异构的多类分类问题，其中模态之间的对应关系是基于FMBSD方法确定的。在三个常用的跨模态检索数据集上对FMBSD方法进行了评价，在三个基准多模态多类分类数据集上对（M $^2$ CPC）方法进行了评价，实验结果表明了FMBSD方法的有效性和优越性。
2021-05-12 cs.CV cs.LG eess.IV
Non-Rigid Shape Registration via Deep Functional Maps Prior
Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）；Peng Cheng Lab（鹏城实验室）
本研究提出结合深度函数映射先验的无监督非刚性形状配准框架，融合传统与谱映射方法优势，通过动态对应更新、一致性过滤及姿态回归，仅用少量训练形状即在多基准上取得SOTA，可处理兼具内外大形变的挑战性形状对。
2023-11-08 cs.CV
On Unsupervised Partial Shape Correspondence
Technion - Israel Institute of Technology（以色列理工学院）
针对函数映射方法在局部形状匹配中误差随残缺度升高的问题，提出基于格罗莫夫距离损失、无需函数映射中间空间的无监督方法，在多个基准和数据集上取得优于现有方法甚至有监督方法的性能。
2024-10-30 cs.CV
Extracting a functional representation from a dictionary for non-rigid shape matching
Politecnico di Milano（米兰理工大学）；University of Milano-Bicocca（米兰比可卡大学）
针对Laplace-Beltrami算子基在微小区域和突出部分能量分布不均导致形状匹配不准确的问题，提出基于字典主成分分析的新型函数基PCD，在相同流程中能生成更准确的逐点映射。
2023-05-17 cs.CV cs.GR
Generate, Transfer, Adapt: Learning Functional Dexterous Grasping from a Single Human Demonstration
Cornell University（康奈尔大学）
CorDex通过单个人示范生成合成数据，结合多模态预测网络和局部-全局融合模块，实现对新型物体的灵巧抓取学习。
2026-01-08 cs.CV cs.RO
Smooth Shells: Multi-Scale Shape Registration with Functional Maps
Technical University of Munich（慕尼黑工业大学）
我们提出了一种新的三维形状对应方法的基础上迭代对齐所谓的光滑壳。光滑壳定义了一系列由粗到细的形状近似，旨在与多尺度算法配合使用。其主要思想是首先对齐几何形状的粗略近似，然后添加越来越多的细节来细化对应关系。我们融合经典的形状注册功能地图嵌入到一个内在的外部产品空间的输入形状。此外，我们消除歧义的内在对称性，通过应用代理基于马尔可夫链蒙特卡罗初始化。我们的方法可以自然地处理实际扫描中常见的各种类型的噪声，例如非等距或不兼容的网格。最后，我们在几个数据集上展示了最先进的定量结果，并表明我们的管道比现实应用中的其他自动匹配方法产生更平滑，更逼真的结果。
2019-12-02 cs.CV cs.GR
DPFM: Deep Partial Functional Maps
École Polytechnique（巴黎综合理工学院）；IP Paris（巴黎理工学院）
我们考虑的问题，计算非刚性形状之间的密集对应与潜在的显着？现有的配方解决这个问题，通过沉重的流形优化的频谱域，手工制作的形状描述符。在本文中，我们提出了第一个学习方法直接针对部分非刚性形状对应。我们的方法使用功能图框架，可以以监督或无监督的方式进行训练，并直接从数据中学习描述符，从而在具有挑战性的情况下提高鲁棒性和准确性。此外，与现有技术不同，我们的方法也适用于部分到部分非刚性匹配，其中两个形状上的公共区域是未知的先验。我们证明了所得到的方法是数据高效的，并在几个基准数据集上实现了最先进的结果。我们的代码和数据可以在网上找到：https://github.com/pvnieo/DPFM
2021-10-19 cs.AI cs.CV
The Stroke Correspondence Problem, Revisited
我们重新讨论笔画对应问题[13，14]。我们优化此算法1）评估合适的预处理（规范化）方法2）扩展的算法与一个额外的距离措施，以处理平假名，片假名和汉字字符的笔画数少和c）简化的笔画连接算法。我们的贡献在免费的开源库ctegaki和演示工具jTegaki和Kanjicanvas中实现。
2021-03-06 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
Evaluating Representational Similarity Measures from the Lens of Functional Correspondence
University of California, San Diego（加州大学圣地亚哥分校）；University of Pennsylvania（宾夕法尼亚大学）
本研究从功能对应性视角评估了八种表征相似性度量，发现强调几何结构的线性CKA和Procrustes距离在区分模型训练状态及与行为对齐上优于线性预测性，为NeuroAI研究中的度量选择提供了关键指导。
2025-09-14 cs.AI cs.CV q-bio.NC
Dense Semantic Correspondence where Every Pixel is a Classifier
Queensland University of Technology（昆士兰科技大学）；Carnegie Mellon University（卡内基梅隆大学）
确定对象和场景之间的密集语义对应关系是支撑许多更高级别计算机视觉算法的难题。与考虑空间或时间相邻的图像的规范密集对应问题不同，语义对应的特征在于共享相似的高级结构的图像，其确切的外观和几何形状可能不同。受对象识别文献和最近的工作快速估计线性分类器的启发，我们把语义对应作为一个约束检测问题，学习每个像素的一个示例LDA分类器。LDA分类器有两个明显的好处：（i）它们表现出比对应问题中通常使用的相似性度量更高的平均精度，以及（ii）与示例SVM不同，可以在没有校准的情况下输出全局可解释的后验概率，同时训练也明显更快。我们提出的对应问题作为一个图形模型，其中一元电位计算通过卷积与一组样本分类器，和联合电位执行平滑变化的对应分配。
2015-05-15 cs.CV
Hybrid Functional Maps for Crease-Aware Non-Isometric Shape Matching
Technical University of Munich（慕尼黑工业大学）；University of Siegen（锡根大学）；University of Bonn（波恩大学）；Lamarr Institute（拉马尔研究所）
本文提出一种结合弹性薄壳Hessian矩阵特征函数非正交外在基与LBO内在基的混合谱空间方法，用于构建函数映射，有效解决了非等距形状匹配中高频外在变化（如弯曲和折痕）的表征难题，并在非等距及拓扑噪声场景下显著降低了测地线误差。
2024-07-24 cs.CV
Towards Discrete Solution: A Sparse Preserving Method for Correspondence Problem
Anhui University（安徽大学）
计算机视觉中的许多感兴趣的问题可以被公式化为在两个特征集之间找到一致对应的问题。具有一一映射约束的特征对应（匹配）问题通常表示为具有置换（或正交）约束的积分二次规划（IQP）问题。由于它是NP难的，需要松弛模型。优化IQP匹配问题的一个主要挑战是如何将离散的一对一映射（置换）约束纳入其二次目标优化中。本文提出了一种新的松弛模型，称为稀疏约束保持匹配（SPM），IQP匹配问题。SPM的动机是我们的观察，离散置换约束可以很好地编码通过稀疏约束。与传统的松弛模型相比，SPM可以通过稀疏约束直接引入离散的一对一映射约束，从而为原始IQP匹配问题提供更紧密的松弛。一个简单而有效的更新算法已被推导出解决所提出的SPM模型。在多个特征匹配任务上的实验结果验证了SPM方法的有效性和效率。
2018-09-20 cs.CV
Learning Global-Local Correspondence with Semantic Bottleneck for Logical Anomaly Detection
Tsinghua University（清华大学）；Huazhong University of Science and Technology（华中科技大学）
本文提出了一种新的框架，命名为全局-局部对应框架（GLCF），视觉异常检测与逻辑约束。视觉异常检测在工业异常检测、医疗疾病诊断等实际应用中已成为一个活跃的研究领域。然而，大多数现有的方法集中在识别局部结构退化异常，往往无法检测到高层次的功能异常，涉及逻辑约束。为了解决这个问题，我们提出了一个两个分支的方法，包括一个本地分支检测结构异常和一个全球分支检测逻辑异常。为了促进局部-全局特征的对应，我们引入了一个新的语义瓶颈，使视觉Transformer。此外，我们分别为每个分支开发特征估计网络来检测异常。我们提出的框架使用各种基准进行验证，包括工业数据集，Mvtec AD，Mvtec Loco AD和Retinal-OCT医疗数据集。实验结果表明，我们的方法优于现有的方法，特别是在检测逻辑异常。
2023-03-29 cs.CV
RealSkin: Spatio-Spectral Partial Neural Adjoint Maps for Image-to-3D Attribute Transfer
Jilin University（吉林大学）；Zhejiang University（浙江大学）；North China University of Technology（北方工业大学）
研究旨在弥合真实图像与合成3D表面的外观差距，提出RealSkin自监督框架，通过空间引导配准算法和谱感知神经伴随网络，在谱域优化对应，实验表明该方法在真实到合成场景中性能达最优。
2026-07-15 cs.CV
SOCO: Benchmarking Semantic Object Correspondence in Vision Foundation Models
Max Planck Institute for Informatics（马克斯·普朗克研究所信息学研究所）；Saarland Informatics Campus（萨尔州信息学校园）；CISPA Helmholtz Center for Information Security（信息安全霍夫曼中心）；University of Freiburg（弗赖堡大学）
提出SOCO基准，通过引入对应类型分类法和100个类别上超过100万对功能上有意义的关键点注释，系统评估视觉基础模型中的语义对应能力，并揭示模型在跨类别迁移、语言引导定位与视觉对应之间的差距。
2026-08-28 cs.CV
Learning Space-Time Semantic Correspondences
Samsung Research America（三星美国研究院）；UC Berkeley（加州大学伯克利分校）
提出视频时空语义对应预测新任务，在Penn Action和Pouring基准上提供标注，实验表明联合时空处理优于分解方法。
2023-06-16 cs.CV
Geometric Polynomial Constraints in Higher-Order Graph Matching
SRI International（SRI国际）；University of Pennsylvania（宾夕法尼亚大学）
对应是计算机视觉中普遍存在的问题，图匹配是将对应形式化为优化问题的自然方法。最近，图匹配求解器已经包括表示超越一元和成对水平的亲和力的高阶项。这种高阶项对于包括三个或更多对应关系的几何约束具有特别的吸引力，如P2 D-3D姿势问题。在本文中，我们解决了在没有一元或成对约束的情况下找到对应关系的问题，因为它出现在一元外观相似性，如SIFT匹配不可用的问题中。当前的高阶匹配方法针对的问题是，高阶亲和度可以简单地用公式表示为诸如长度、角度或交比的不变性的差异。在本文中，我们提出了一种方法，如何应用几何约束建模为多项式方程组。与RANSAC相反，RANSAC必须求解这样的系统，然后针对内点假设进行测试，我们的约束是基于$n>2$假设的对应关系导出的，而无需求解多项式系统。由于结果是直接对应没有变换模型，我们的方法支持对应匹配存在多个几何变换，如关节运动。
2014-05-24 cs.CV
A Quantum Computational Approach to Correspondence Problems on Point Sets
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Saarland Informatics Campus（萨尔州信息学园区）
现代绝热量子计算机（AQC）已经用于解决各种科学领域中的困难组合优化问题。目前，AQC在计算机视觉中的应用还不多。我们回顾AQC，并推导出一个新的算法，对应问题的点集适合执行AQC。我们的算法具有次二次的计算复杂性的状态准备。成功的转换估计和点集对齐模拟采样的例子中所示的系统的实验评估。最后，我们分析了不同的解决方案和相应的能量值。
2020-03-29 cs.CV cs.ET quant-ph
