[论文解读] ZoomOut: Spectral Upsampling for Efficient Shape Correspondence

Simone Melzi, Jing Ren+4 more|arXiv (Cornell University)|Apr 16, 2019

3D Shape Modeling and Analysis参考文献 64被引用 24

一句话总结

ZoomOut 提出了一种光谱上采样方法，通过将低分辨率映射投影到更高维的光谱基上，迭代地优化形状对应关系，在非刚性匹配、对称性检测和函数传输等任务中实现了最先进的精度和速度——比现有方法快达100倍，同时对噪声输入具有鲁棒性，并能随形状复杂度扩展。

ABSTRACT

We present a simple and efficient method for refining maps or correspondences by iterative upsampling in the spectral domain that can be implemented in a few lines of code. Our main observation is that high quality maps can be obtained even if the input correspondences are noisy or are encoded by a small number of coefficients in a spectral basis. We show how this approach can be used in conjunction with existing initialization techniques across a range of application scenarios, including symmetry detection, map refinement across complete shapes, non-rigid partial shape matching and function transfer. In each application we demonstrate an improvement with respect to both the quality of the results and the computational speed compared to the best competing methods, with up to two orders of magnitude speed-up in some applications. We also demonstrate that our method is both robust to noisy input and is scalable with respect to shape complexity. Finally, we present a theoretical justification for our approach, shedding light on structural properties of functional maps.

研究动机与目标

• 开发一种简单、高效的方法，用于优化形状对应映射，使其在速度和精度上均优于现有技术。
• 解决在非刚性形状匹配和函数映射估计中，初始对应关系存在噪声或低分辨率的问题。
• 实现在各种应用（包括部分形状匹配和对称性检测）中可扩展且鲁棒的对应关系优化。
• 提供一种理论基础扎实的方法，通过迭代光谱上采样提升函数映射质量。
• 证明光谱上采样可显著加速对应计算，而不会牺牲结果质量。

提出的方法

• 该方法在形状网格的拉普拉斯特征基上，通过光谱域中的迭代上采样来处理对应映射。
• 将低分辨率映射投影到逐渐更高维的光谱子空间中，以提高空间分辨率并改善对应精度。
• 每一步上采样都应用一个光谱滤波器，以保持几何一致性并减少伪影。
• 该方法可使用任何现有对应方法初始化，包括函数映射或基于对称性的初始化。
• 该过程仅需几行代码实现，利用标准的谱分解和矩阵运算。
• 由于光谱基的平滑和正则化特性，该方法对噪声或稀疏的初始映射具有鲁棒性。

实验结果

研究问题

• RQ1 迭代光谱上采样是否能以极低的计算开销显著提升形状对应映射的质量？
• RQ2 当使用噪声或低秩函数映射初始化时，光谱上采样表现如何？
• RQ3 光谱上采样在多大程度上能加速对应计算，同时保持或提升精度？
• RQ4 该方法对输入质量变化（如噪声或不完整的初始对应）是否具有鲁棒性？
• RQ5 光谱上采样利用了函数映射的何种结构特性以提升对应质量？

主要发现

• 在非刚性部分形状匹配任务中，该方法相比最先进方法实现了高达两个数量级的速度提升。
• 在所有评估任务中，该方法均提升了对应质量，包括对称性检测、完整形状匹配和函数传输。
• 该方法对噪声初始映射具有鲁棒性，并在稀疏光谱表示下仍能保持高精度。
• 光谱上采样实现了可扩展的优化，且在形状复杂度增加时仍能良好扩展。
• 理论分析表明，该方法利用了函数映射中固有的低秩结构，从而解释了其有效性。
• 实验结果表明，该方法在对应精度上实现了持续改进，尤其在具有挑战性的非刚性和部分匹配场景中。