[论文解读] Shape Analysis via Functional Map Construction and Bases Pursuit

Omri Azencot, Rongjie Lai|arXiv (Cornell University)|Sep 29, 2019

3D Shape Modeling and Analysis参考文献 39被引用 19

一句话总结

本文提出了一种统一框架，通过使用本征正交分解（POD）而非拉普拉斯-贝尔特里米厄（LB）特征函数，联合计算三角网格上的函数映射与基函数优化。通过在ADMM优化方案中引入最先进的正则化项，该方法在形状匹配、函数转移和四边形化处理方面表现出色，相较于基于LB的方法，实现了更优的特征对齐与更低的表示误差。

ABSTRACT

We propose a method to simultaneously compute scalar basis functions with an associated functional map for a given pair of triangle meshes. Unlike previous techniques that put emphasis on smoothness with respect to the Laplace--Beltrami operator and thus favor low-frequency eigenfunctions, we aim for a spectrum that allows for better feature matching. This change of perspective introduces many degrees of freedom into the problem which we exploit to improve the accuracy of our computed correspondences. To effectively search in this high dimensional space of solutions, we incorporate into our minimization state-of-the-art regularizers. We solve the resulting highly non-linear and non-convex problem using an iterative scheme via the Alternating Direction Method of Multipliers. At each step, our optimization involves simple to solve linear or Sylvester-type equations. In practice, our method performs well in terms of convergence, and we additionally show that it is similar to a provably convergent problem. We show the advantages of our approach by extensively testing it on multiple datasets in a few applications including shape matching, consistent quadrangulation and scalar function transfer.

研究动机与目标

• 为克服拉普拉斯-贝尔特里米厄（LB）基在表示高频特征及捕捉特定描述符几何结构方面的局限性。
• 将函数映射计算与基函数设计统一于单一优化框架中，提升解空间的灵活性。
• 通过针对给定描述符定制基函数，提高非等距形状匹配中的对应精度。
• 在下游任务（如一致四边形化与标量函数转移）中实现更优性能。
• 开发一种可扩展、收敛的ADMM优化方案，高效处理非凸、非线性问题。

提出的方法

• 该方法用从给定描述符中提取的POD模态替代传统LB特征函数，构建降维基子空间。
• 将函数映射矩阵与基函数的联合优化问题形式化，扩展解空间。
• 优化过程中引入先进的正则化项，包括循环一致性、等距性与平滑性，以引导解向高质量对应关系收敛。
• 采用基于ADMM的迭代方案，将问题分解为交替求解的子问题，涉及线性方程与Sylvester型方程。
• 每个ADMM子问题在计算上高效，可通过标准线性代数技术求解。
• 该框架在相关问题上具有理论收敛性，实际应用中也观察到收敛性。

实验结果

研究问题

• RQ1 针对描述符谱定制的基函数是否能在函数映射计算中超越标准拉普拉斯-贝尔特里米厄特征函数？
• RQ2 联合优化基函数与函数映射在多大程度上提升了形状对应精度？
• RQ3 POD基是否能比LB基更好地表示高频或局部支持的特征？
• RQ4 所提出的基于ADMM的优化方案是否能可靠收敛并扩展至实际几何处理任务？
• RQ5 该统一框架在多大程度上可提升四边形化与函数转移等下游应用的性能？

主要发现

• 与固定LB基相比，该方法在一致四边形化中显著提升了等高线对齐与奇点匹配效果。
• 在函数转移任务中，结合函数映射优化的POD基能有效降低噪声，并更精确地定位高频特征（如高斯函数）。
• 该方法在具有不同连通性与自动生成描述符的挑战性形状匹配基准测试中达到最先进性能。
• 实验结果表明，收敛速度更快且稳定性更优，尤其在非等距设置下表现突出。
• 该框架生成的函数映射矩阵比LB方法更密集，反映出对高频特征的更好表征能力。
• 理论分析证实了相关问题的收敛性，实际性能与该保证一致。