摘要

基于这样的直觉，即对齐的点云比未对齐的点云更容易且更有意义地进行相互转换，我们提出了CorrNet3D——首个无监督且端到端的深度学习框架——通过变形重建的方式驱动三维形状之间的密集对应关系的学习，从而克服了对注释数据的需求。具体而言，CorrNet3D由一个深度特征嵌入模块和两个新颖的模块组成，这两个模块分别称为对应指示器和对称变形器。输入一对原始点云后，我们的模型首先学习每个点的特征，并将其传递给指示器以生成一个可学习的对应矩阵，用于重新排列输入点云对。在额外正则化损失的作用下，对称变形器将两个重新排列后的点云相互转换，从而推动对应关系的无监督学习。我们在刚性和非刚性三维形状的合成数据集和真实世界数据集上进行了广泛的实验，结果显示CorrNet3D在很大程度上优于现有的最先进方法，包括那些以网格作为输入的方法。CorrNet3D是一个灵活的框架，如果存在注释数据，则可以轻松适应有监督学习。源代码和预训练模型将在https://github.com/ZENGYIMING-EAMON/CorrNet3D.git提供。