Shape Correspondence谱方法

整体大致流程

1. 给定一对3D形状$\mathcal{X}$和$\mathcal{Y}$，分别有$n_x$和$n_y$个顶点。
2. 计算两个3D形状的LBO矩阵（e.g. uniform laplace等）奇异值分解得到的前k个特征向量作为前k个truncated basis functions ${\Phi }_x\in {\mathbb{R}}^{n_x\times k}$和${\Phi }_y\in {\mathbb{R}}^{n_y\times k}$，目的是去近似每个形状上定义的给定特征${\mathcal{F}}_x\in {\mathcal{R}}^{n_x\times c}$和${\mathcal{F}}_y\in {\mathcal{R}}^{n_y\times c}$。
3. 我们首先为每个3D形状分别计算corresponding coefficients $A={\Phi }_x^{⊺}{\mathcal{F}}_x\in {\mathcal{R}}^{k\times c}$和$B={\Phi }_y^{⊺}{\mathcal{F}}_y\in {\mathcal{R}}^{k\times c}$。
4. 接下来求解连续优化问题来计算functional map $C_{xy}\in {\mathbb{R}}^{k\times k}$:
   $$C_{xy}=argmi{n}_C{E}_{data}(C)+\lambda E_{reg}(C),$$
   其中$E_{data}=||CA-B|{|}^2$约束描述符，而$E_{reg}$属于正则项保留结构属性。
5. 有了最优的$C_{xy}$，接下来计算点对点的对应关系${\Pi }_{yx}\in {0,1}^{n_y\times n_x}$ :
   $${\Phi }_y{C}_{xy}\approx {\Pi }_{yx}{\Phi }_x$$

Reference: Self-Supervised Learning for Multimodal Non-Rigid 3D Shape Matching.