摘要

我们提出了一种新的深度学习方法，用于匹配可变形形状，通过引入{\it 形状变形网络（Shape Deformation Networks）}来联合编码3D形状及其对应关系。该方法通过将表面表示分解为两个部分实现：(i) 一个模板，用于参数化表面；(ii) 一个学习到的全局特征向量，用于参数化模板到输入表面的变换。通过预测新形状的这一特征向量，我们隐式地预测了该形状与模板之间的对应关系。我们展示了这些对应关系可以通过额外的步骤进行改进，即通过最小化输入表面与变换后的模板之间的Chamfer距离来优化形状特征。我们在困难的FAUST-Inter挑战中证明了我们的简单方法优于现有最佳结果，平均对应误差为2.88厘米。在TOSCA数据集上，我们展示了该方法对多种类型的扰动具有鲁棒性，并且可以推广到非人体形状。这种鲁棒性使得它在SCAPE数据集中真实的、未经清理的网格上表现良好。