Cartes géométriques fonctionnelles profondes : Apprentissage robuste des caractéristiques pour la correspondance de formes

Nous présentons une nouvelle approche basée sur l'apprentissage pour calculer les correspondances entre des formes 3D non rigides. Contrairement aux méthodes précédentes qui nécessitent des données d'entraînement étendues ou qui fonctionnent sur des descripteurs d'entrée faits à la main et qui, par conséquent, se généralisent mal à travers des ensembles de données divers, notre approche est à la fois précise et robuste face aux changements de structure des formes. Un point clé de notre méthode est un réseau d'extraction de caractéristiques qui apprend directement à partir de la géométrie brute des formes, combiné à une nouvelle couche d'extraction de cartes régularisée et à une perte, basée sur la représentation de la carte fonctionnelle. Nous démontrons à travers de nombreuses expériences dans des scénarios de correspondance de formes difficiles que notre méthode peut apprendre à partir de moins de données d'entraînement que les approches supervisées existantes et se généralise considérablement mieux que les méthodes d'apprentissage basées sur des descripteurs actuels. Notre code source est disponible à : https://github.com/LIX-shape-analysis/GeomFmaps.