[论文解读] Efficient Deformable Shape Correspondence via Kernel Matching

Zorah Lähner, Matthias Vestner+9 more|arXiv (Cornell University)|Jul 25, 2017

3D Shape Modeling and Analysis参考文献 49被引用 25

一句话总结

该论文提出了一种新颖的核匹配框架，用于在形变、拓扑变化和部分性条件下实现高效且精确的非刚性形状对应。通过将问题表述为使用正定核矩阵的松弛二次分配问题，并利用双随机矩阵上的投影梯度法求解，该方法在大规模形状（可达数十万个顶点）上实现了最先进性能。

ABSTRACT

We present a method to match three dimensional shapes under non-isometric deformations, topology changes and partiality. We formulate the problem as matching between a set of pair-wise and point-wise descriptors, imposing a continuity prior on the mapping, and propose a projected descent optimization procedure inspired by difference of convex functions (DC) programming. Surprisingly, in spite of the highly non-convex nature of the resulting quadratic assignment problem, our method converges to a semantically meaningful and continuous mapping in most of our experiments, and scales well. We provide preliminary theoretical analysis and several interpretations of the method.

研究动机与目标

• 解决在非等距形变、拓扑变化和部分观测条件下，寻找双射、连续且忠实的非刚性3D形状对应关系的挑战。
• 通过使用正定核矩阵重新表述问题，克服传统二次分配问题（QAP）在形状匹配中的计算不可行性。
• 开发一种可扩展的优化框架，即使在具有数十万个顶点的大规模形状上，也能实现高质量的对应关系。
• 通过基于核的成对描述子集成连续性先验，改进现有方法，增强对噪声和拓扑变化的鲁棒性。
• 证明该方法作为深度学习对应网络的后处理优化步骤的有效性，显著提升其精度。

提出的方法

• 通过用正定核矩阵替代传统距离矩阵，将形状对应问题表述为松弛的二次分配问题（QAP），实现在双随机矩阵上的精确松弛。
• 采用受差异凸（DC）规划启发的投影梯度算法求解松弛优化问题，通过交替更新对应矩阵的线性分配问题（LAPs）。
• 利用拍卖算法实现多尺度加速策略，高效处理大规模问题，从粗略表示开始并逐步细化。
• 将算法解释为一种交替扩散过程——模糊化与锐化对应图，将其与核密度估计和迭代优化相联系。
• 使用点级描述子（如SHOT、HKS）和核化成对描述子，编码局部与全局形状结构，确保平滑性与保真度。
• 将该方法用作深度学习对应网络的优化步骤，在FAUST和SHREC’16等基准测试中显著提升其性能。

实验结果

研究问题

• RQ1 基于核的形状对应问题表述是否能实现NP难QAP的精确松弛，同时保持连续性与保真度？
• RQ2 与距离矩阵相比，使用正定核矩阵在多大程度上提升了非刚性形状匹配的鲁棒性与可扩展性？
• RQ3 所提出的在双随机矩阵上的投影梯度法在具有拓扑变化和部分性的挑战性数据集上，与现有QAP松弛方法和谱方法相比，性能提升程度如何？
• RQ4 该方法能否作为深度学习对应网络的有效后处理优化步骤，其精度提升幅度有多大？
• RQ5 多尺度实现对大规模3D形状的收敛性与性能有何影响？

主要发现

• 在SCAPE数据集上，该方法实现了最先进性能，优于现有方法（包括功能映射和Möbius投票），在100%对应率下地理解误差为0.01%。
• 在TOSCA数据集上，该方法在100%对应率下实现0.02%的地理解误差，显著优于FM、SGMDS和Best Conformal方法。
• 在FAUST数据集上，当用作深度学习基线（如FMNet、MoNet、ACNN）的后处理优化步骤时，该方法将地理解误差降低最多50%。
• 在包含大拓扑捷径的SHREC’16拓扑数据集上，该方法在100%对应率下实现0.08%的地理解误差，证明了其对拓扑变化的鲁棒性。
• 该方法可高效扩展至最多100,000个顶点的形状，无需预先注册形状或复杂学习设置，即可实现高质量对应。
• 该算法被解释为一种交替扩散过程，与核密度估计相联系，为理解其收敛行为提供了理论依据。