論文の概要: Unsupervised Contrastive Learning for Efficient and Robust Spectral Shape Matching

• arxiv url: http://arxiv.org/abs/2603.18924v1
• Date: Thu, 19 Mar 2026 14:02:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.183255
• Title: Unsupervised Contrastive Learning for Efficient and Robust Spectral Shape Matching
• Title（参考訳）: 効率的なスペクトル形状マッチングのための教師なしコントラスト学習
• Authors: Feifan Luo, Hongyang Chen,
• Abstract要約: 剛性のない変形可能な3次元形状のペア間の対応を推定することは、コンピュータビジョンとグラフィックスにおいて重要な課題である。 提案手法は, 効率的かつ堅牢な3次元形状マッチングのための, 教師なしのコントラスト学習に基づく新しいアプローチを初めて導入する。
• 参考スコア（独自算出の注目度）: 35.320288409500314
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating correspondences between pairs of non-rigid deformable 3D shapes remains a significant challenge in computer vision and graphics. While deep functional map methods have become the go-to solution for addressing this problem, they primarily focus on optimizing pointwise and functional maps either individually or jointly, rather than directly enhancing feature representations in the embedding space, which often results in inadequate feature quality and suboptimal matching performance. Furthermore, these approaches heavily rely on traditional functional map techniques, such as time-consuming functional map solvers, which incur substantial computational costs. In this work, we introduce, for the first time, a novel unsupervised contrastive learning-based approach for efficient and robust 3D shape matching. We begin by presenting an unsupervised contrastive learning framework that promotes feature learning by maximizing consistency within positive similarity pairs and minimizing it within negative similarity pairs, thereby improving both the consistency and discriminability of the learned features.We then design a significantly simplified functional map learning architecture that eliminates the need for computationally expensive functional map solvers and multiple auxiliary functional map losses, greatly enhancing computational efficiency. By integrating these two components into a unified two-branch pipeline, our method achieves state-of-the-art performance in both accuracy and efficiency. Extensive experiments demonstrate that our approach is not only computationally efficient but also outperforms current state-of-the-art methods across various challenging benchmarks, including near-isometric, non-isometric, and topologically inconsistent scenarios, even surpassing supervised techniques.
• Abstract（参考訳）: 剛性のない変形可能な3次元形状のペア間の対応を推定することは、コンピュータビジョンとグラフィックスにおいて重要な課題である。 ディープ・ファンクショナル・マップ・メソッドはこの問題に対処するためのゴート・ソリューションとなっているが、主に、埋め込み空間における特徴表現を直接拡張するのではなく、個別または共同でポイントワイド・関数・マップを最適化することに焦点を当てている。 さらに、これらの手法は、時間を要する関数型マップソルバなど、計算コストを大幅に削減する従来の関数型マップ技術に大きく依存している。 本研究は, 効率的かつ堅牢な3次元形状マッチングのための, 教師なしのコントラスト学習に基づく新しいアプローチを初めて紹介する。 まず、正の類似性ペア内での一貫性を最大化し、負の類似性ペア内での一貫性を最小化し、学習特徴の一貫性と識別性の両方を改善して特徴学習を促進する非教師付きコントラスト学習フレームワークを提案する。 これら2つのコンポーネントを統合された2分岐パイプラインに統合することにより、精度と効率の両面で最先端の性能を実現する。 大規模な実験により、我々の手法は計算効率だけでなく、ほぼ等尺性、非等尺性、トポロジカルに一貫性のないシナリオなど、様々な挑戦的なベンチマークにおいて最先端の手法よりも優れていることが示された。

関連論文リスト

• COMPOSE: Hypergraph Cover Optimization for Multi-view 3D Human Pose Estimation [58.47973015036709]
  スパース多視点からの3次元ポーズ推定は、行動認識、スポーツ分析、人間とロボットの相互作用にとって重要な課題である。 ハイパーグラフ問題として多視点ポーズ対応マッチングを定式化する新しいフレームワークComposEを提案する。 COMPOSEは,従来の最適化手法よりも平均23%,自己教師付きエンドツーエンド学習手法より最大11%の精度向上を実現している。
  論文  参考訳（メタデータ） (2026-01-14T18:50:17Z)
• Memory-Scalable and Simplified Functional Map Learning [32.088809326158554]
  本稿では,メモリスケーラブルで効率的な関数型マップ学習パイプラインを提案する。 関数マップの構造を利用することで、メモリにポイントワイズマップを格納することなく、同じ結果が得られる可能性を提供します。 このアルゴリズムを後処理のステップで使用する多くの関数型マップ学習法とは異なり、列車時に簡単に利用できる。
  論文  参考訳（メタデータ） (2024-03-30T12:01:04Z)
• Revisiting Map Relations for Unsupervised Non-Rigid Shape Matching [18.957179015912402]
  非剛性3次元形状マッチングのための教師なし学習手法を提案する。 提案手法は,従来の最先端手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-17T17:28:03Z)
• Neural Semantic Surface Maps [52.61017226479506]
  本稿では,2つの属とゼロの形状の地図を自動計算する手法を提案する。 提案手法は,手動のアノテーションや3Dトレーニングデータ要求を排除し,意味的表面-表面マップを生成する。
  論文  参考訳（メタデータ） (2023-09-09T16:21:56Z)
• Unsupervised Learning of Robust Spectral Shape Matching [12.740151710302397]
  頑健な3次元形状マッチングのための新しい学習手法を提案する。 提案手法は, 深い関数型マップ上に構築され, 完全に教師なしの方法で訓練することができる。
  論文  参考訳（メタデータ） (2023-04-27T02:12:47Z)
• Offline Reinforcement Learning with Differentiable Function Approximation is Provably Efficient [65.08966446962845]
  歴史的データを用いて意思決定戦略を最適化することを目的としたオフライン強化学習は、現実の応用に広く適用されている。 微分関数クラス近似(DFA)を用いたオフライン強化学習の検討から一歩踏み出した。 最も重要なことは、悲観的な適合Q-ラーニングアルゴリズムを解析することにより、オフライン微分関数近似が有効であることを示すことである。
  論文  参考訳（メタデータ） (2022-10-03T07:59:42Z)
• Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
  本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。 このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
  論文  参考訳（メタデータ） (2022-06-01T23:26:51Z)
• Multiway Non-rigid Point Cloud Registration via Learned Functional Map Synchronization [105.14877281665011]
  我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。 提案手法は,登録精度において最先端の性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-11-25T02:37:59Z)
• Image Matching across Wide Baselines: From Paper to Practice [80.9424750998559]
  局所的な特徴とロバストな推定アルゴリズムの包括的なベンチマークを導入する。 パイプラインのモジュール構造は、さまざまなメソッドの容易な統合、構成、組み合わせを可能にします。 適切な設定で、古典的な解決策は依然として芸術の知覚された状態を上回る可能性があることを示す。
  論文  参考訳（メタデータ） (2020-03-03T15:20:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。