[论文解读] Point-wise Map Recovery and Refinement from Functional Correspondence

Emanuele Rodolà, Michael Moeller+1 more|arXiv (Cornell University)|Jun 18, 2015

Robotics and Sensor-Based Localization参考文献 23被引用 54

一句话总结

该论文提出了一种概率方法，用于从低秩函数映射中恢复精确的逐点对应关系，而无需假设形状近乎等距。通过将恢复过程建模为变分优化问题，并利用迭代EM算法进行映射精炼，该方法在非等距形变下相比最近邻基线方法准确率最高提升20%，在秩为100时可恢复75%的精确匹配。

ABSTRACT

Since their introduction in the shape analysis community, functional maps have met with considerable success due to their ability to compactly represent dense correspondences between deformable shapes, with applications ranging from shape matching and image segmentation, to exploration of large shape collections. Despite the numerous advantages of such representation, however, the problem of converting a given functional map back to a point-to-point map has received a surprisingly limited interest. In this paper we analyze the general problem of point-wise map recovery from arbitrary functional maps. In doing so, we rule out many of the assumptions required by the currently established approach -- most notably, the limiting requirement of the input shapes being nearly-isometric. We devise an efficient recovery process based on a simple probabilistic model. Experiments confirm that this approach achieves remarkable accuracy improvements in very challenging cases.

研究动机与目标

• 解决长期以来被忽视的逆问题：从函数映射中恢复逐点对应关系，这对形状匹配和分割等实际应用至关重要。
• 克服现有方法依赖近乎等距形变的局限性，并缓解最近邻映射中因不对称性导致的偏差问题。
• 开发一种通用、高效且鲁棒的映射恢复与精炼框架，适用于多种形变类型，包括非等距形变和跨类别形状。
• 通过引入原理化的概率模型，实现在函数映射为低秩或含噪声时仍能准确恢复点对点对应关系。

提出的方法

• 基于预测与真实对应分布之间的Kullback-Leibler散度，将逐点映射恢复建模为基于概率模型的变分优化问题。
• 提出一种对称精炼策略，通过最小化非对称KL散度，减少对某一形状的偏向，从而在一般形变下提升鲁棒性。
• 采用迭代期望-最大化（EM）算法优化对应映射，其中E步计算后验概率，M步更新映射参数。
• 通过真实排列P与拉普拉斯特征函数的正交特征基Φ、Ψ构造函数映射矩阵C = Ψᵀ P Φ，实现精确的低秩表示。
• 仅在必要时应用ICP进行正交精炼，但表明其在非等距形状上性能下降，从而证明需要更鲁棒的替代方案。
• 利用函数映射的矩阵表示，实现高效的逐点恢复，无需显式形状参数化或等距性假设。

实验结果

研究问题

• RQ1 能否在不假设近乎等距形变的前提下，准确地将函数映射恢复为逐点对应？
• RQ2 如何减轻基于最近邻的恢复方法中的不对称性，以提升准确率与鲁棒性？
• RQ3 概率模型是否能在等距与非等距场景下均优于标准最近邻方法？
• RQ4 函数映射的秩对逐点恢复准确率有何影响？所提方法在秩增加时的扩展性如何？
• RQ5 所提方法是否可泛化至部分形状、非等距形状或跨类别形状匹配场景？

主要发现

• 所提方法相比最近邻基线方法，最多可多恢复20%的精确点对点对应关系，尤其在非等距形变下表现更优。
• 在函数映射秩为100时，该方法在6890×6890的对应矩阵上实现了75%的精确匹配恢复率，显著优于基线方法。
• 即使函数映射来自低秩基，该方法仍保持高准确率，证明其对截断与噪声具有鲁棒性。
• 相比标准最近邻方法，概率模型减少了对某一形状的偏向，带来稳定2–3%的准确率提升。
• 基于EM的精炼过程平均约5次迭代即可收敛，对于n=10,000个点和k=50个基函数，总运行时间约为1分钟，具备实际应用可行性。
• ICP-based精炼在非等距形状上表现不佳，凸显了采用更通用的恢复方法（如所提概率框架）的必要性。