効率的で堅牢なスペクトル形状マッチングのための教師なし対照学習

要約: 非剛体で変形可能な3D形状のペア間の対応付けを推定することは、コンピュータビジョンとグラフィックスにおいて依然として重要な課題である。
深層機能マップ法はこの問題に対処するための定番の解法となっているが、これらは主に点ごとのマップと機能マップを個別または共同で最適化することに焦点を当てており、埋め込み空間における特徴表現を直接強化するものではない。その結果、特徴の品質が不十分で、マッチング性能が最適でないことが多い。
さらに、これらのアプローチは時間を要する機能マップソルバーのような従来の機能マップ手法に強く依存しており、かなりの計算コストを伴います。
本研究では、初めて、効率的で堅牢な3D形状マッチングのための教師なし対照学習ベースの新しいアプローチを導入します。
まず、正の類似ペア内の一貫性を最大化し、負の類似ペア内の一貫性を最小化することで特徴学習を促進する、教師なし対照学習フレームワークを提示します。これにより、学習された特徴の一貫性と識別性の両方が向上します。
次に、計算コストの高い機能マップソルバーや複数の補助的な機能マップ損失を排除する、著しく簡略化された機能マップ学習アーキテクチャを設計し、計算効率を大幅に向上させます。
これらの二つの要素を統合した二系統パイプラインにより、提案手法は精度と効率の両方で最先端の性能を達成します。
広範な実験により、我々のアプローチは計算効率が高いだけでなく、ほぼ等尺性、非等尺性、トポロジー的に不整合な状況を含むさまざまな難易度のベンチマークにおいて現状の最先端手法を上回り、教師あり手法をも凌ぐことを示しています。