3D-CODED: 3D-Korrespondenzen durch tiefes Deformationsmodell

Wir präsentieren einen neuen tiefen Lernansatz zur Zuordnung von deformierbaren Formen durch die Einführung von {\it Shape Deformation Networks}, die 3D-Formen und Korrespondenzen gemeinsam kodieren. Dies wird erreicht, indem die Oberflächenrepräsentation in (i) eine Vorlage, die die Oberfläche parametrisiert, und (ii) ein gelerntes globales Merkmalsvektor, der die Transformation der Vorlage in die Eingabeoberfläche parametrisiert, faktorisiert. Durch die Vorhersage dieses Merkmals für eine neue Form prognostizieren wir implizit Korrespondenzen zwischen dieser Form und der Vorlage. Wir zeigen, dass diese Korrespondenzen durch einen zusätzlichen Schritt verbessert werden können, bei dem das Formmerkmal durch Minimierung des Chamfer-Abstands zwischen der Eingabe und der transformierten Vorlage verbessert wird. Wir demonstrieren, dass unser einfacher Ansatz die Stand der Technik-Ergebnisse auf der schwierigen FAUST-Inter-Herausforderung mit einem durchschnittlichen Korrespondenzfehler von 2,88 cm übertrifft. Anhand des TOSCA-Datensatzes zeigen wir, dass unsere Methode robust gegenüber vielen Arten von Störungen ist und sich auf nicht-menschliche Formen verallgemeinern lässt. Diese Robustheit ermöglicht es ihr, auch auf realen unsauberen Gittern aus dem SCAPE-Datensatz gut abzuschneiden.