[论文解读] Spectral descriptors for deformable shapes

Alexander M. Bronstein|arXiv (Cornell University)|Oct 23, 2011

3D Shape Modeling and Analysis参考文献 33被引用 20

一句话总结

该论文提出了一种用于可变形形状的可学习谱描述符框架，通过受维纳滤波启发的方法学习最优频率滤波器，从而推广了热核签名（HKS）和波核签名（WKS）。该方法通过从数据中学习信号与噪声统计特性，在形状对应和检索任务中提升了判别性能，在SHREC'10基准测试中，前500次匹配中正确对应点的命中率超过50%，优于HKS和WKS。

ABSTRACT

Informative and discriminative feature descriptors play a fundamental role in deformable shape analysis. For example, they have been successfully employed in correspondence, registration, and retrieval tasks. In the recent years, significant attention has been devoted to descriptors obtained from the spectral decomposition of the Laplace-Beltrami operator associated with the shape. Notable examples in this family are the heat kernel signature (HKS) and the wave kernel signature (WKS). Laplacian-based descriptors achieve state-of-the-art performance in numerous shape analysis tasks; they are computationally efficient, isometry-invariant by construction, and can gracefully cope with a variety of transformations. In this paper, we formulate a generic family of parametric spectral descriptors. We argue that in order to be optimal for a specific task, the descriptor should take into account the statistics of the corpus of shapes to which it is applied (the "signal") and those of the class of transformations to which it is made insensitive (the "noise"). While such statistics are hard to model axiomatically, they can be learned from examples. Following the spirit of the Wiener filter in signal processing, we show a learning scheme for the construction of optimal spectral descriptors and relate it to Mahalanobis metric learning. The superiority of the proposed approach is demonstrated on the SHREC'10 benchmark.

研究动机与目标

• 开发一种通用的、面向特定任务的可变形形状分析谱描述符框架，以推广HKS和WKS。
• 通过基于数据驱动的信号与噪声统计学习最优频率滤波器，解决固定描述符的局限性。
• 通过建模训练样本中的几何信号与形变引起的噪声，提升形状对应与检索任务的性能。
• 将描述符学习过程与马氏距离度量学习关联，以增强判别能力。

提出的方法

• 通过在拉普拉斯-贝尔特里米特谱上应用一组滤波器，构建通用的谱描述符族，推广HKS和WKS。
• 将几何信号与形变噪声建模为来自训练形状及其变换的语料库中导出的统计特性。
• 采用受维纳滤波启发的标准学习最优滤波器权重，以最大化描述符空间中的信噪比。
• 将学习问题表述为L²正则化优化问题，将其与马氏距离度量学习关联，以提升判别性。
• 使用最远点采样选择参考点，并通过Cmc曲线评估对应性能。
• 在12维空间中训练描述符，使用来自不同形状的负样本以增强泛化能力并避免错误匹配。

实验结果

研究问题

• RQ1 如何通过从数据中学习而非依赖固定解析形式，优化谱描述符以适应特定形状分析任务？
• RQ2 同时建模信号（形状差异）与噪声（形变）统计特性对描述符判别性有何影响？
• RQ3 基于学习的方法是否能在对应任务中超越固定描述符（如HKS和WKS）？
• RQ4 所学习的描述符在应对不同类型形变（如孔洞、高斯噪声和采样变化）时的泛化能力如何？
• RQ5 距离度量选择（如L²与L¹）在多大程度上影响描述符性能？其他度量是否能进一步提升结果？

主要发现

• 所提出的可学习描述符在SHREC'10基准测试中，前500次匹配内正确对应点的命中率超过50%，显著优于HKS（25%）和WKS（30%）。
• 所学习的描述符对未见过的变换（包括孔洞、高斯噪声和采样变化）具有良好的泛化能力，保持了精确的定位性能。
• 在训练过程中引入来自不同形状的负样本（如狗与人的脚）可防止描述符将不同形状上的点混淆。
• 如图5所示，描述符在各种变换下均保持高性能，表现为一致的归一化欧氏距离图。
• 该学习框架兼容L¹等替代度量，并可扩展至哈希学习，以生成紧凑且可搜索的描述符。