摘要

我们提出了一种基于结构化形状构建的点云实时非刚性密集对应的新方法。该方法称为深度点对应（Deep Point Correspondence，DPC），与以往的技术相比，所需的训练数据量大大减少，并且具有更好的泛化能力。迄今为止，针对密集对应问题主要提出了两种方法。第一种是基于谱的方法，该方法在合成数据集上取得了很好的结果，但需要形状的网格连接性和较长的推理处理时间，并且在实际场景中表现不稳定。第二种是空间方法，该方法使用编码器-解码器框架从不规则输入回归出有序点云以实现匹配对齐。然而，解码器带来了显著的缺点，因为它需要大量的训练数据，并且在跨数据集评估中难以很好地泛化。DPC 的创新之处在于没有解码器组件。相反，我们利用潜在相似性和输入坐标本身来构建点云并确定对应关系，从而替代了解码器进行的坐标回归。大量实验表明，我们的构建方案在性能上优于最近的最先进的对应方法。我们的代码已公开发布在 https://github.com/dvirginz/DPC。