删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

优化谱对齐的三维模型簇一致性对应关系计算

本站小编 Free考研考试/2024-10-06

闂傚倸鍊搁崐鎼佸磹閹间礁纾归柟闂寸绾惧綊鏌熼梻瀵割槮缁炬儳缍婇弻鐔兼⒒鐎靛壊妲紒鐐劤缂嶅﹪寮婚悢鍏尖拻閻庨潧澹婂Σ顔剧磼閻愵剙鍔ょ紓宥咃躬瀵鎮㈤崗灏栨嫽闁诲酣娼ф竟濠偽i鍓х<闁诡垎鍐f寖闂佺娅曢幑鍥灳閺冨牆绀冩い蹇庣娴滈箖鏌ㄥ┑鍡欏嚬缂併劌銈搁弻鐔兼儌閸濄儳袦闂佸搫鐭夌紞渚€銆佸鈧幃娆撳箹椤撶噥妫ч梻鍌氬€稿ú銈壦囬悽绋胯摕闁靛ǹ鍎弨浠嬫煕閳╁啰鎳冩い銈傚亾濠碉紕鍋戦崐鏇犳崲閹烘挻鍙忓瀣椤洟鏌熼悜姗嗘當闁绘帒鐏氶妵鍕箳瀹ュ牆鍘$紓浣叉閸嬫捇姊绘担鍛靛綊寮甸鍕┾偓鍐幢濞戞ɑ顥濋梺閫炲苯澧存慨濠勭帛閹峰懘鎼归悷鎵偧闂佽棄鍟虫禍顒勫箟閹间礁绾ч柛顭戝枟濞堝姊虹化鏇熸澒闁稿鎸搁—鍐Χ閸℃娼戦梺绋款儐閹稿濡甸崟顖氬嵆闁靛ǹ鍎辩粻璇测攽閳ュ啿绾ч柛鏃€鐟╅悰顔碱潨閳ь剟鐛崶銊﹀闁荤喐婢橀崢鐐烘⒒娴e憡鎯堟い锔诲灦閹囧礋椤栨氨顦悗鍏夊亾闁告洦鍋勯崵鎴︽⒑绾懏褰ч梻鍕閸╂盯骞嬮敂鐣屽幈濠电娀娼уΛ妤咁敂閳哄懏鐓涢柛鈩冡缚閹冲洭鏌″畝瀣埌閾绘牠鏌嶈閸撴盯鍩€椤掍胶鐓柛妤€鍟块悾宄懊洪鍕姦濡炪倖甯婇梽宥嗙濠婂牊鐓欓弶鍫濆⒔缁嬭崵鐥鐐差暢缂佽鲸甯¢獮鍥敇閻斿弶瀚介梻渚€鈧偛鑻晶顖涖亜閺冣偓閻楃姴鐣锋导鏉戝嵆闁绘ɑ褰冮悘濠傗攽閻愬弶顥為柟绋跨埣閸┾偓妞ゆ垼娉曢ˇ锔姐亜椤愶絿鐭掗柛鈹惧亾濡炪倖甯掔€氼剛绮婚弽銊х闁糕剝蓱鐏忎即鏌涢妶鍡楃伌闁哄本鐩俊鎼佹晜闁款垱顫嶅┑鐐茬摠缁挾绮婚弽顓炶摕婵炴垟鎳囬埀顒婄畵楠炲鈹戦崶鈺€绨梻鍌欐祰閵嗏偓闁稿鎸搁湁闁绘ê妯婇崕鎰版煟閹惧崬鍔滅紒缁樼洴楠炲鎮樺ú璁抽偗妞ゃ垺妫冮崺鈩冨閸楃偟绉洪柟顔规櫅閳诲氦绠涢弬鎸庮仱缂備胶鍋撻崕鎶藉触鐎n喖桅闁告洦鍨伴崡鎶芥煟閹邦厽缍戞繛鍜冪秮濮婅櫣鎷犻弻銉у椽婵犵鈧櫕鍠橀柛鈹惧亾濡炪倖甯婄欢锟犲疮韫囨稒鐓曢柨婵嗛濞呭秶鈧娲橀崹鍓佹崲濠靛鐐婄憸蹇涙偩濞差亝鈷戦柛鎰级閹牓鏌涢悢绋款棆濠㈣娲熷畷妤呮⒒鐎靛摜鐣炬俊鐐€栭悧婊堝磻閻愬搫鏋侀梺顒€绉甸崐鍨叏濮楀棗鍘甸柛瀣ㄥ灪閹便劍绻濋崒銈囧悑閻庤娲樼敮鎺楀煝鎼淬劌绠i柨婵嗘川瀹曞爼姊婚崒娆掑厡閺嬵亝銇勯幋婵囧櫣閾荤偞绻濋棃娑欘棤闁哄棴绠撻弻鐔衡偓娑欋缚婵″洦淇婇幓鎺斿ⅵ闁哄本娲濈粻娑欑箾閹傚闂佹儳娴氶崑鎺楀触閸涱厸鏀介柨娑樺娴滃ジ鏌涙繝鍐⒌闁诡啫鍏炬棃宕橀鍡欏幆闂備礁婀遍崕銈夊垂閻旂厧鍑犵€广儱顦伴悡鐔镐繆椤栨繂浜归悽顖涚洴閺岋綁骞樼€靛憡鍣紓浣介哺閹稿骞忛崨瀛橆棃婵炴垶鐭幃锝夋⒒娴e憡鎯堟い鎴濇喘瀹曚即寮介鐐舵憰闂佹寧绻傞ˇ顖滅不婵犳碍鍋i柧蹇曟嚀閸斿鏌h箛鎾跺ⅵ婵﹥妞藉畷顐﹀礋椤撶姳绱橀梻浣告憸婵敻鎮ч弴銏″仼闁汇値鍨禍褰掓煙閻戞ḿ绠栭柡鍛櫊濮婅櫣绮欑捄銊ь唶闂佸憡鑹鹃澶愩€佸▎鎾崇妞ゆ劗鍠愰弬鈧梻浣虹帛閸旀ḿ浜稿▎鎾崇闁绘ḿ鏁哥壕鍏笺亜閺冨洤浜归弽锛勭磽娴h鈷掗柛鐘崇墪閻g兘宕¢悙鈺傤潔濠碘槅鍨抽崢褎鎱ㄩ敂鎴掔箚闁绘劦浜滈埀顒佺墱閺侇噣骞掑Δ鈧粣妤佹叏濮楀棗鍘崇紓鍌涘哺閺岀喖鏌囬敃鈧獮妯肩磼閻樿崵鐣洪柡灞剧☉閳诲氦绠涢敐鍠般劍绻濋埛鈧仦钘夆拫闂佸搫鐭夌换婵嗙暦閵娾晛绾ч悹鎭掑妼鐢潡姊绘担绛嬪殐闁搞劌宕灋闁告劏鏅欑换鍡涙煙闂傚顦﹂崬顖炴偡濠婂嫮鐭掔€规洦鍓濋妵鎰板箳閹绢垱瀚藉┑鐐舵彧缁蹭粙骞夐敓鐘茬柈闁绘劕顕粻楣冩偣閸ュ洤鎳愰弳銈夋倵鐟欏嫭绀冪紒顔肩焸閿濈偛鈹戠€e灚鏅i梺缁樻煥閸㈠弶瀵兼惔銏㈢瘈闁汇垽娼у瓭闂佹寧娲忛崐婵嬪箖瑜庣换婵嬪炊閵娿儰绨垫繝鐢靛仦閸ㄥ爼鏁冮埡鍛亜闁糕剝绋掗崑锝夊级閻愭潙顎滄い鎺斿枛閺屾稒鎯旈敍鍕唹闂侀潧娲ょ€氭澘顕i幘顔藉亜闁惧繐婀遍崢婊堟⒒娴e憡鎯堥柣顓烆槺瀵板﹥銈i崘銊х暰闂佸搫鍟悧鍡涳綖閸涘瓨鐓熸慨妤€妫楁禍婵嬫煟韫囨挻顥炵紒缁樼箓閳绘捇宕归鐣屼邯闂備焦瀵уú蹇涘磹濠靛鐏抽柨鏇楀亾闁伙綇绻濋獮宥夘敊閼恒儺鍟庨梻鍌欑濠€閬嶅磿閵堝鍨傞柣鏃傚帶閸戠娀骞栧ǎ顒€濡介柣鎾寸懇閹鎮介惂鑽ゆ嚀閺嗏晠鏌f惔銈庢綈婵炲弶锕㈤幃锟犲灳閹颁焦缍庣紓鍌欑劍宀e潡鎮疯ぐ鎺撶厓鐟滄粓宕滈悢鐓庢槬闁逞屽墯閵囧嫰骞掗幋婵冨亾閸涘﹦顩锋繝濠傜墛閻撶姵绻涢懠棰濆殭闁诲骏绻濋弻锟犲川閺夎法鍘柣搴濈祷閸嬫劙鍩€椤掍胶鈯曞畝锝呮健瀹曘垽鏌嗗鍡欏幗闁瑰吋鎯岄崹宕囩矓閻㈠憡鐓曢悗锝庝簼椤ユ粓鎮¢妶澶嬬厵缂備降鍨归弸鐔兼煟閹惧鎳呴柍褜鍓濋~澶娒洪弽顬℃椽濡舵径濠傚殤濠电偞鍨堕悷锝嗙濠婂牊鐓忛煫鍥ュ劤绾惧潡鏌嶉挊澶樻█闁哄苯绉归幐濠冨緞濡亶锕傛⒑鐎圭媭鍤欓梺甯秮閻涱噣宕堕澶嬫櫓闂佺粯鎸哥花鍫曞几韫囨梻绡€闁汇垽娼у暩闂佽桨鐒﹂幃鍌氱暦閹存績妲堥柕蹇婃櫆閺咁亜顪冮妶鍡樺蔼闁搞劌缍婂畷鎺楀Ω瑜庨崰鎰版煛閸愩劎澧曠紒鐘崇墬缁绘稑顔忛鑽ょ泿闁诡垳鍠栧娲礃閸欏鍎撻梺绋匡工閹诧紕绮嬪鍛傛棃宕ㄩ瑙勫闂備礁鎲$换鍌溾偓姘煎弮瀹曟帡濡搁埡鍌滃幈闂侀潧饪甸梽鍕Φ濠靛鐓欐い鏇炴缁♀偓闂佽鍠撻崹钘夘潖瑜版帒绠涙い鏂垮⒔閺嗘澘鈹戦敍鍕杭闁稿﹥鐗犻幃褍螖閸愨晛搴婇梺绋跨灱閸嬫稓鎲撮敂鐐枑闁绘鐗嗙粭姘舵煟閹惧瓨绀冪紒缁樼洴瀹曞崬螖閸曨偒浼冨┑鐐茬摠缁挾绮婚弽褜娼栧┑鐘宠壘绾惧吋绻涢崱妯虹劸婵″樊鍣e铏规兜閸滀礁娈濈紓浣虹帛缁诲牓鐛崘顔藉€婚柦妯猴級閵娧勫枑濠㈣埖鍔曠壕濠氭煙閻愵剙澧繛灏栨櫊閺岋綁骞橀崘宸妷闂佺粯绻冪换鍫濐潖閾忕懓瀵查柡鍥╁枑濠㈡帡姊虹粙娆惧剱闁瑰憡鎮傞垾鏃堝礃椤斿槈褔鏌涢埄鍐炬畼闁荤喆鍔戝娲传閵夈儛锝夋煠鐟欏嫬鍔ら柣婊冾煼瀹曠ǹ螖閳ь剛绮诲☉娆嶄簻闁规崘娉涘暩濡炪倖姊瑰ú鐔奉潖濞差亜鎹舵い鎾跺Т缁楋繝鏌i姀鈺佺仯闁稿鍠撻崚鎺撶節濮橆厼娈ラ梺闈涚墕閸婂憡绂嶆ィ鍐╁仭婵炲棗绻愰顏嗙磼閳ь剟鍩€椤掑倻纾介柛灞炬皑瀛濋梺鎸庢处娴滎亪鎮伴鐣岀瘈闁搞儯鍔岄埀顒傚厴閺屾稑鈹戦崱妤冨几闂侀潧艌閺呮粓鎮¤箛娑欑厱妞ゆ劧绲跨粻鏍偓鐟版啞缁诲牓寮婚敐澶嬫櫜濠㈣泛鐬奸弳顐⑩攽椤旂》鍔熺紒顕呭灦楠炲繘宕ㄩ婊呯厯濠电偛妫涢崑鎾凰夐幋锔解拻濞达絽鎳欒ぐ鎺濇晞闁告稒娼欑粻鐘诲箹鏉堝墽鍒扮€殿喗鐓″缁樻媴閸涘﹥鍎撶紓浣割儎缁舵艾鐣烽姀锛勵浄閻庯綆浜為敍娆撴倵閻熸澘顏鐟邦儔瀵劍绂掔€n偆鍘藉┑鈽嗗灠閹碱偆鐥椤法鎹勯崫鍕典純闂佸搫鐭夌紞渚€鐛Ο铏规殾闁搞儮鏅╅崬鍫曟⒒娴e摜鏋冩い顐㈩樀瀹曞綊宕稿Δ鈧粻鏍ㄧ箾閸℃ɑ灏伴柛銈嗗灦閵囧嫰骞嬮敐鍛Х濠碉紕鍋撻幃鍌氼潖缂佹ɑ濯撮柛娑橈工閺嗗牆鈹戦纭峰姛闁硅櫕鎸搁悳濠氬垂椤旇鐎婚梺瑙勫劤椤曨參鎮鹃幎鑺モ拻闁稿本鐟ㄩ崗宀勫几椤忓棛纾肩紓浣姑慨宥団偓瑙勬磸閸庢娊鍩€椤掑﹦绉甸柛鎾寸洴閹矂宕卞☉娆忊偓鐢告煥濠靛棝顎楀ù婊勭箞閺屾稑鈻庤箛鏇狀唶闂佸疇顫夐崹鍧楀箖閳哄懎绠甸柟鐑樻尰椤斿姊绘笟鈧ḿ褍煤閿旂偓宕查柛顐犲劚閽冪喖鏌i弮鍥仩濡炶濞婇弻娑㈡晜鐠囨彃绠婚梺浼欑畱閻楀﹦鎹㈠┑鍫濇瀳婵☆垰鍢叉禍鍓р偓瑙勬礀濞层倝鎮¢悢鍏煎€甸悷娆忓绾炬悂鏌涢弮鈧崹鍧楀Υ娴g硶鏋庨柟鎯ь嚟閸欏棗顪冮妶鍡欏闁活収鍠楃粩鐔煎即閻斿墎绠氶梺闈涚墕缁绘帡宕氭导瀛樼厱闁绘洑绀侀悘锕傛煕閳哄倻娲存鐐差儔閺佸倿鎮剧仦钘夌婵犵數濮甸鏍窗濡ゅ懎绀夐柡鍥ュ灩閻掑灚銇勯幒宥囧妽缂佲偓鐎n兘鍋撳▓鍨灍闁诡喖鍊搁悾鐑藉箳濡や礁鈧兘鎮楅悽鐧诲綊鐛崼銉︹拺闁荤喐婢橀幃鎴︽煟閿濆簼閭€规洜顢婇妵鎰板箳閹寸姴骞掗梻浣告惈濞层垽宕瑰ú顏呭亗闁哄洢鍨洪悡鍐偡濞嗗繐顏╅柛鏂诲€曢湁婵犲﹤鎳庢禍鎯庨崶褝韬柟顔界懇椤㈡棃宕熼妸銉ゅ闂佸搫绋侀崑鍛村汲濠婂啠鏀介柣妯诲絻椤忣偊鏌i鐐搭棞闁靛棙甯掗~婵嬫晲閸涱剙顥氶梺璇叉唉椤煤濠婂牆鏋佸┑鐘冲搸閳ь兛绀佽灃闁告侗鍘鹃ˇ鏉款渻閵堝棗绗掗柛濠冩倐閻涱噣宕奸悢铏圭槇闂佹眹鍨藉ḿ褎绂掑⿰鍕箚妞ゆ劧缍嗗▓姗€鏌熼獮鍨伈妤犵偛娲鍫曞箰鎼淬倗鍙戝┑鐘垫暩閸嬫稑螞濞嗘挸绀夐柟瀵稿仧椤╁弶绻濇繝鍌滃闁绘挻鐩弻娑㈠Ψ閿旇姤鐎紓浣靛妿閺咁偆妲愰幒鎾崇窞婵☆垳鍎ら悘宥咁渻閵堝啫濡搁柛搴f暬楠炲啫鈻庨幘瀹犳憰闂侀潧顦崕閬嶅矗婵犲洦鈷掑ù锝呮啞鐠愶繝寮搁鍫熺叆闁哄洦锚閸旀碍銇勯弴妯哄姦鐎规洜鍠栭、娑橆潩鏉堚晜婢戝┑锛勫亼閸婃牜鏁繝鍥ㄥ€块柨鏇楀亾鐞氭瑩鏌涢埄鍐姇闁抽攱甯¢弻娑氫沪閹规劕顥濋梺閫炲苯澧存い銉︽尭閳诲酣濮€閻欌偓濞尖晜銇勯幋锝呬汗缂佸彉鍗抽幃宄扳堪閸曨兘鎷婚梺浼欏瘜閸撶喎顫忓ú顏呯劵闁绘劘灏€氭澘顭胯閸o綁寮诲鍥ㄥ枂闁告洦鍋嗘导宀勬⒑閹肩偛濮傜紒鐘崇墵楠炴牞銇愰幒婵囨櫇闂侀潧楠忕槐鏇熺閻戣姤鈷戦悹鍥у级閸炲銇勯銏╂Ц閻撱倝鐓崶銊р槈闁搞劌鍊搁湁闁绘ê妯婇崕蹇涙煢閸愵亜鏋涢柡灞剧洴閸╁嫰宕橀悙顒夊悅闂備礁鎲¢懝楣冾敄婢舵劕钃熸繛鎴欏灩閻忓磭鈧娲栧ú銊╊敊婢舵劖鐓熼幖娣灱婢规﹢鏌曢崼鐔稿€愮€殿喖顭烽弫鎰緞鐎n亙绨婚梻浣告啞缁哄潡宕曢幎鑺ュ亗闁稿本绋撶弧鈧梺鍐茬殱閸嬫捇鏌涢弴鐐典粵闁伙絽銈稿鐑樻姜閹殿喛绐楅梺闈╃秶缂嶄線鎮伴鈧獮鎺懳旈埀顒傜不鐠囧弬娑㈡偋閸垻鐣洪梻浣斤骏閸婃洟鍩為幋锔藉€风€瑰壊鍠栧▓鍫曟⒑閸涘⿴鐒奸柛銉e妼娴犻亶姊洪棃娴ュ牓寮插⿰鍫濈;闁稿瞼鍋為悡娑㈡煕閵夛絽鍔氶柣蹇d邯閺岋綁骞樼€靛憡鍣伴梺鍝勭灱閸犳牠銆佸☉銏犲耿婵°倕瀚顓炩攽閻愯尙澧曢柣鏍帶椤繐煤椤忓懎浠梺鍝勵槹鐎笛冃掗幇顑芥斀闁绘劕寮堕埢鏇㈡煕濞嗗繐鏆欐い鏇稻缁绘繂顫濋鈧畵鍡涙⒑闂堟稓绠冲┑顔芥尦閹虫捇宕归瑙勬杸闁圭儤濞婂畷鎰板箛閺夎法锛涢梺鐟板⒔缁垶鎮″☉銏$厱闁斥晛鍟炵紓姘舵煙閸愬弶鍠橀柡宀嬬磿娴狅箓鎮剧仦婵勫€濋弻鐔割槹鎼粹檧鏋呴悗娈垮枛椤攱淇婇悜钘壩ㄩ柕澶堝劚閹搞倖绻濆閿嬫緲閳ь剚顨嗛幈銊╂倻閽樺锛涘┑鐐村灟閸╁嫰寮崟顐唵闁兼悂娼ф慨鍥╃磼閻樺磭澧甸柡灞界Ч瀹曨偊宕熼锝嗩唲闂備礁鎼鍛存偋閸℃稈鈧妇鎹勯妸锕€纾俊銈忕畱閻忔繈顢旈鐘电=濞达綁娼ф俊鎼佹煕鎼淬劍娑фい顐㈢箲缁绘繂顫濋鍌︾床婵犳鍠楅敃鈺呭礂濮椻偓瀹曟垿骞橀幖顓熜ч柟鑹版彧缁插潡鎮為崗鑲╃闁圭偓娼欓悞褰掓煕鐎n偅灏版い銊e劦閹瑥顔忛瑙f瀰闂備浇妗ㄩ悞锕傚箲閸ヮ剙绠栭柍鍝勬噹缁€鍐椤愵偄骞橀柡渚€绠栧濠氬磼濞嗘垵濡介柣搴g懗閸忕姵妞藉浠嬵敇閻愮绱柣鐔哥矌婢ф鏁幒妤佸仾闁绘劦鍏欐禍婊堢叓閸ャ劍灏靛褎鐩弻锝夊箻鐠虹儤鐏堝Δ鐘靛仦閻楁洝褰佸銈嗗坊閸嬫捇鏌嶈閸忔瑩宕愰弴鐐靛箵闁秆勵殔缁犳盯鏌eΔ鈧悧蹇涘储閻㈠憡鈷戦柛娑橈功缂傛岸鏌涙惔銏犵仼婵炴垹鏁诲畷銊╊敍濞嗘垹绉垮┑鐘垫暩婵兘寮幖浣哥;闁绘劕鎼崹鍌涖亜閺嶎偄浠滈柛銊ュ€婚幉鎼佹偋閸繄鐟查梺绋匡工濞硷繝寮诲☉鈶┾偓锕傚箣濠靛懐鎸夊┑鐐茬摠缁秶鍒掗幘璇茶摕闁绘柨鍚嬮崐缁樹繆椤栨繃顏犲ù鐘虫尦濮婃椽宕崟闈涘壄闂佺ǹ锕ラ悧婊堝箲閵忕姭妲堥柕蹇曞Х椤ρ囨⒑缂佹ɑ灏Δ鐘虫倐閿濈偛顓奸崶鈺冿紳婵炶揪缍€濞咃絿鏁☉銏$厽闁冲搫锕ら悘锕傛煟濞戝崬娅嶆鐐瘁缚閹风娀鎳犻澶婃暯闂傚倷绀侀幖顐﹀疮椤愶箑纾婚柛鈩冪☉閻ゎ噣鎮楅敐搴℃灍闁绘挾鍠栭獮鏍庨鈧埀顑惧€曞玻鍧楀箛椤撶姷顔曢梺鍛婄懃椤︻亞绱撳鑸电厵妤犵偛鐏濋悘鑼偓瑙勬礀閵堝憡淇婇悿顖fЩ缂備椒绶ょ粻鎾诲蓟閿濆棙鍎熸い鏍ㄧ矌鏍¢梻浣告憸婵敻銆冩繝鍌ゅ殨闁圭粯宸婚弨浠嬫倵閿濆骸浜為柛妯绘崌閹嘲饪伴崟顓犵厜閻庤娲樼划鎾诲箖閵忥紕闄勫璺猴攻椤撳潡姊绘担鍛婂暈缂佸鍨块弫鍐晝閸屾稑浠悷婊呭鐢鎮¢崘顏呭枑婵犲﹤鐗嗙粈鍫ユ煟閺傛娈犻柛銈嗘礀閳规垿鎮╁畷鍥舵殹闂佺ǹ顑呯€氫即寮婚敐澶婄闁惧浚鍋呭畷鍐差渻閵堝繐鐦滈柛娆忓暣楠炲啫鐣¢幍鍐茬墯闂佸憡鍔︽禍鐐侯敊婵犲洦鈷戦弶鐐村鐠愪即鏌涢悩宕囧⒌闁糕斂鍎插鍕箛椤掑缍傞梻浣瑰缁嬫垹鈧凹鍓熼悰顕€骞囬悧鍫氭嫽婵炶揪绲介幉锟犲疮閻愬眰鈧帒顫濋褎鐤侀悗瑙勬礃濠㈡ǹ鐏冮梺鍛婁緱閸橀箖鏁嶅▎鎾粹拺閻熸瑥瀚ˉ瀣熆瑜庨〃濠囧箖閳ユ枼妲堥柕蹇娾偓鏂ュ亾閸洘鐓熼柟浼村亰閺夋椽鏌涢妶鍡欐噧闁宠鍨块、娆撴偂鎼存ê浜鹃柛褎顨呴拑鐔兼煟閺冨倵鎷¢柡浣革躬閺屾稑鈹戦崱妤婁槐闂佺ǹ顑嗛幐鎼佸煘閹达箑骞㈡繛鍡樺姈椤旀洟姊绘担鍛婅础闁稿簺鍊濆畷褰掓偄閼茬尨缍佸畷濂告偄缁嬪灝浼庢繝寰锋澘鈧劙宕戦幘缈犵箚妞ゆ劧绲鹃埛鎺撲繆閸欏濮嶉柡浣规崌閺佹捇鏁撻敓锟�闂傚倸鍊搁崐鎼佸磹閹间礁纾归柟闂寸绾惧綊鏌熼梻瀵割槮缁炬儳缍婇弻鐔兼⒒鐎靛壊妲紒鐐劤缂嶅﹪寮婚悢鍏尖拻閻庨潧澹婂Σ顔剧磼閻愵剙鍔ょ紓宥咃躬瀵鎮㈤崗灏栨嫽闁诲酣娼ф竟濠偽i鍓х<闁绘劦鍓欓崝銈囩磽瀹ュ拑韬€殿喖顭烽弫鎰緞婵犲嫷鍚呴梻浣瑰缁诲倿骞夊☉銏犵缂備焦岣块崢杈ㄧ節閻㈤潧孝闁稿﹤缍婂畷鎴﹀Ψ閳哄倻鍘搁柣蹇曞仩椤曆勬叏閸屾壕鍋撳▓鍨珮闁革綇绲介悾閿嬬附閸涘﹤浜滈梺鍛婄☉楗挳宕崼鏇熲拻闁稿本鐟ㄩ崗宀勫几椤忓懌浜滈柟瀛樼箖椤ャ垺顨ラ悙鏉戝鐎规洘绮忛ˇ鏌ユ煕閵婏妇绠栭柕鍥у楠炴ḿ鎹勬潪鐗堢潖婵犵鍓濊ぐ鍐偋婵犲啰鈹嶅┑鐘叉祩閺佸秵绻濋崹顐㈠婵炲牜鍘奸埞鎴︽倷閸欏鏆侀梺鎼炲劘閸斿骞忛崫鍕ㄦ斀闁绘劘娉涢拕鍏笺亜閺囧棗娲ㄥ畵浣逛繆閵堝懏鍣洪柣鎾跺枛閺岋綁寮崹顔鹃獓濠电偛鎳庨敃锕傚焵椤掍緡鍟忛柛鐘崇墵閳ワ箓鎮滈挊澶岀暫闂侀潧绻堥崐鏇烆啅濠靛棌鏀介柣妯诲絻椤忣偊鎳栭弽銊х瘈鐎典即鏀卞姗€鍩€椤戭剙鎳庣欢銈吤归悩宸剰闁汇値鍠楅妵鍕冀椤愩垹澹夐梺杞版閼冲爼鍩€椤掆偓缁犲秹宕曢柆宓ュ洦瀵奸弶鎴犲幈闂佺懓顕慨椋庡婵傚憡鍊甸柨婵嗙凹缁ㄨ棄霉閻橆喖鐏柕鍥у楠炴帞鈧綆浜炴导鍫ユ⒑閸濆嫮鐒跨紒杈ㄦ礃缁傛帡鏁傞悙顒€鐝伴梺鍦帛鐢晛岣挎惔銊︹拻濞达綀娅i妴濠囨煛閸涱喚绠炵€规洘鍨挎俊鑸靛緞鐏炵晫銈﹂梺璇插嚱缂嶅棝宕板Δ鍛柧婵犻潧顑嗛悡鍐喐濠婂牆绀堟繛鎴炵懅閻濆爼鏌¢崶銉ョ仼缂佲偓閸岀偞鐓曢煫鍥ㄦ礀鐢墎鈧鍠栭悘婵嬪煘閹达富鏁婄紒娑橆儐閻h泛鈹戦埥鍡椾簼妞ゃ劌锕幃浼搭敋閳ь剙顕f禒瀣垫晣闁绘柨鎼獮鎰版⒒娴h櫣銆婇柛鎾寸箞閵嗗啴宕奸悢鍛婄彿闂佹寧妫佹慨銈夊矗韫囨挴鏀介柣妯哄级閸g儤銇勮箛鏇炐ョ紒杈ㄥ浮椤㈡瑩鎮剧仦鎯ф珣闂備礁鐤囬褔鏌婇敐澶屽祦闁糕剝鍑瑰Σ缁樼節閵忋垺鍤€妞ゆ垵顦~蹇曠磼濡顎撻梺鍛婄☉閿曘儵宕伴幇顓犵瘈婵炲牆鐏濋弸銈夋煛娴g瓔鍤欓柣锝呭槻閳规垿宕伴鑺ヮ棃鐎规洏鍔戦、姗€鎮埀顒勫船瑜版帗鈷掑〒姘e亾婵炰匠鍛床闁圭儤鎸婚崣蹇斻亜閹捐泛鈧綁鏁愭径濠囧敹闂侀潧顧€婵″洭宕㈤鍫燁棅妞ゆ劑鍨烘径鍕箾閸欏澧柡鍡忔櫆娣囧﹪鎮欓鍕ㄥ亾閺嶎厼绠伴柟闂寸缁犺銇勯幇鍓佺暠闁绘挻锕㈤弻鐔告綇妤e啯顎嶉梺绋匡功閸忔﹢寮诲☉妯锋瀻闊浄绲鹃埢鎾斥攽閳藉棗浜為柛瀣枔濡叉劙骞樼€涙ê顎撻梺鎯х箳閹虫挾绮敓鐘崇厽闁靛繆鏅涢悘鈩冦亜閵娿儳澧㈤柛鎺撳笧閳ь剨缍嗛崰鏍不閾忣偂绻嗛柕鍫濆椤︼附绻涢崼鐔峰婵﹥妞藉畷姗€宕f径瀣壍闂備礁鎽滈崰宥夊础閹惰棄鏋佺€广儱鎳夐崼顏堟煕濞戝崬鐏i柨娑欑箞濮婅櫣绮欓幐搴㈡嫳闂佽崵鍟块弲娑⑩€栨繝鍥ㄥ€婚柤鎭掑劤閸橀亶姊洪棃娴ㄥ綊宕曞畷鍥╃煋婵炲樊浜濋悡鐔哥箾閹存繂鑸规繛鍛У椤ㄣ儵鎮欓崣澶婃灎闂佽鍟崶褔鍞堕梺闈涚箳婵绮婚悙鐑樷拻濞达絿鐡旈崵娆撴煕閹寸姵娅曠紒杈╁仱瀹曞崬鈽夊Ο纭风幢闂備礁鎲℃笟妤呭储妤e啫姹查柨鏇炲€归崐鍫曟煟閹扮増娑уù婊堢畺閺屾稑鈻庤箛鏇狀唶闂佸疇顫夐崹鍧楀箖閳哄懎鐭楀璺猴攻椤忊剝淇婇悙顏勨偓鏇犳崲閹烘挾绠鹃柍褜鍓熼弻鈥崇暆閳ь剟宕伴幇鍏洭鎮ч崼鐔峰妳闂佹娊鏁崑鎾绘煛鐎n亝鍤囬柟顔筋殔閳绘捇宕归鐣屼邯婵$偑鍊ら崣鍐绩鏉堛劎鈹嶅┑鐘叉处閸婅崵绱掑☉姗嗗剱闁哄應鏅犲娲嚒閵堝懏鐏堝銈忕秶闂勫嫮绮╅悢鐓庡嵆闁绘劏鏅滈弬鈧梺鍦劋婵炲﹤鐣烽幇鏉跨缂備焦锚濞堟垿姊洪崨濠冨矮缂佲偓娴h鍙忔い鎺戝閻撳啰鎲稿⿰鍫濈闁绘柨顨庡ḿ鏍ㄧ箾瀹割喕绨奸柣鎺戭煼閺岋綁骞囬姘虫暱闁诲孩纰嶅姗€鈥﹂懗顖f闂佹悶鍔忔禍顒勫箲閵忕姭妲堥柕蹇娾偓鍏呯暗闂佺澹堥幓顏嗗緤閸ф鏁婇柟鐑樻尵缁♀偓缂佸墽澧楅敋濠⒀勭叀閺岀喖顢欓悡搴樺亾閸噮鍤曟い鎰剁畱缁€鍐┿亜閺冨洤浜归柛鏃撶畱椤啴濡堕崱妤€娼戦梺绋款儐閹稿濡甸崟顖氬嵆妞ゅ繐妫涜ⅵ闁诲氦顫夊ú婊勭仚闁剧粯鐗曢湁闁挎繂鎳忛幆鍫燁殽閻愭惌娈滄慨濠冩そ閹兘寮堕幐搴♀偓顖炴⒑娴兼瑧绉靛ù婊庝簻閻e嘲鈹戦崱鈺佹倯闂佸憡渚楁禍婵嬶綖瀹ュ鍋℃繝濠傚椤ュ牏鈧鍠栭…鐑藉箖閵忋倕绀傞柣鎾冲閻ゅ懘姊绘笟鈧ḿ褔鏁嶈箛娑樺窛妞ゆ牗鑹剧粭鎺旂磽閸屾艾鈧悂宕愭搴g焼濞撴埃鍋撴い銏$墵瀹曘劌顫㈤妶鍛枠妞ゃ垺鐩幃婊堝幢濡粯鐝濇繝鐢靛█濞佳囧磹缂佹ḿ浠氭俊銈囧Х閸嬫垿宕规禒瀣摕闁绘柨鍚嬮悞浠嬫煥閺冨洦纭堕柡浣圭墵濮婃椽鎮滈埡鍌涚彅闂備礁搴滅徊浠嬶綖韫囨洜纾兼俊顖濐嚙椤庢捇姊洪崨濠勨槈闁挎洏鍎靛畷鏇㈠箻閸撲胶锛濇繛杈剧到婢瑰﹪宕曟惔锝囩<闁奸晲绲绘竟姗€鏌i敐鍥у幋妤犵偛顑夐弫鍐焵椤掑倻鐭嗛悗锝庡亖娴滄粓鏌熼悜妯虹仴濞存粎鍋炵换娑㈠级閹存繍浼冨┑顔硷攻濡炰粙鐛幇顓熷劅闁靛繈鍩勫Σ顒勬⒒娴e懙褰掓晝閵堝洨绀婂┑鐘叉搐缁犳牠鏌ㄩ悢鍝勑i柛瀣閺屾稖绠涘顑挎睏闂佸憡岣块弫璇差潖閾忚瀚氶柍銉ョ-閳ь剙顭烽弻娑樷槈閸楃偞鐏嶉梺鍝ュУ閻楁粎妲愰幘璇茬<婵炲棙甯╅崬褰掓⒑缁嬫鍎愰柟鐟版喘瀵鈽夐姀鐘电杸闂佺ǹ绻愰幗婊堝极閺嶎偆纾奸柣鎰靛墮缁€鍐煕鐎n偄濮夋俊鍙夊姍楠炴ḿ鈧稒锚椤庢捇鏌i悩鍐插Е闁搞劌纾Σ鎰板级鎼存挻鏂€闂佺粯鍔栧ḿ娆戝緤缂佹ǜ浜滈柡鍥ュ妼瀵噣鏌涢埞鎯т壕婵$偑鍊栫敮鎺楀窗濮橆兗缂氶柟閭﹀幘缁犻箖鏌涘▎蹇fШ濠⒀屼邯閺岋綁鏁愰崶褍骞嬪銈冨灪椤ㄥ﹤鐣峰鈧、鏃堝礃椤撶偟鍔甸梻鍌氬€搁崐鎼佸磹妞嬪海鐭嗗〒姘e亾妤犵偛顦甸弫宥夊礋椤掆偓鎼村﹪姊虹粙鎸庢拱濠㈣娲熷畷鎴﹀箻閹颁焦鍍靛銈嗗坊閸嬫挻淇婇懠棰濆殭闁伙絾绻堥弫鎰板川椤旈棿娣柣搴㈩問閸犳骞愰幎钘夌畺婵炲棙鎸搁悡娑㈡煕鐏炲墽鈯曟繝銏″灴濮婂宕掑▎鎺戝帯缂備緡鍣崹鍫曞极閸愵喖鐓涢柛娑卞幘閿涙盯姊洪崨濠佺繁闁哥姵鐗犲畷褰掑棘濡潧缍婇幃鈩冩償閿濆棙鍠栭梻浣呵归敃銈夋偉婵傜ǹ钃熼柨婵嗩槸缁犳稒銇勯弽銊︾殤闁告﹩鍋勯—鍐Χ閸愩劌濮庡銈忕細閸楄櫕淇婇悽绋跨妞ゆ牭绲鹃弲婵嗩渻閵堝棗濮х紒杈ㄦ礋瀵偊寮介銈囷紳婵炶揪绲肩划娆撳传濞差亝鐓欑紒瀣儥閻撳吋顨ラ悙鑼鐎规洏鍔庨埀顒佺⊕钃遍柛搴邯濮婃椽鎳¢妶鍛€炬繝銏㈡嚀濡繈銆侀弴銏″殐闁冲搫鍟伴敍婵嬫⒑缁嬫寧婀伴柣鐕傚缁﹪鎮ч崼娑楃盎闂佸搫娲ゅΛ妤€煤閿曞倸纾婚悗锝庡枟閻撴瑩鏌熼鍡楁嫅缁辩偤姊洪崫鍕紨闂傚嫬瀚幑銏犫槈濮楀棗鏅犲銈嗘瀹曠敻鎯勬惔銊︹拺缂備焦锚缁楁帡鏌h箛鏂垮摵濠碉紕鏁诲畷鐔碱敍濮橀硸鍞洪柣搴$畭閸庨亶藝娴兼惌鏁侀柡宥冨妿缁犻箖鎮楀☉娆嬬細闁活厼顑囩槐鎺楊敊閼恒儱纾抽悗娈垮枛椤兘骞冮姀銈呯闁绘挸绨堕崑鎾剁磼濡湱绠氬銈嗙墬缁诲啴顢旈悩瑁佸綊鎮╅搹顐ょ▏濡炪値浜滈崯瀛樹繆閸洖宸濇い鏍ㄧ矌閺嗕即姊绘担鍛婃儓闁瑰啿绻掗幑銏ゅ礋椤愬缍侀獮鍥级鐠侯煈鍞烘繝寰锋澘鈧挾绮堟担鍦洸闁荤喖鍋婂〒濠氭煏閸繃顥為柍閿嬪浮閺屾稑螣閻樻彃顏柛娆忕箻閺岋繝宕堕妷銉т痪闂佹娊鏀遍崹鍨潖婵犳艾閱囬柣鏃囥€€婵洭姊洪悷鏉挎倯闁告梹鐟╅獮鍐ㄎ旈埀顒勶綖濠靛鏁囬柣鏂挎惈閸ゆ帗淇婇悙顏勨偓鏍洪埡鍐濞撴埃鍋撻柕鍡曠椤繄鎹勯搹鐟板Е婵$偑鍊栫敮鎺斺偓姘煎墴瀵即濡烽埡鍌滃帗閻熸粍绮撳畷婊冾潩鐠轰綍锕傛煕閺囥劌鐏犵紒鐘冲▕閺岀喓鈧稒岣跨粻銉ッ归悩鍝勪汗缂佽鲸甯¢幃娆擃敆閳ь剟宕濋妶鍡欑缁绢參顥撶弧鈧悗娈垮枦椤曆囧煡婢舵劕顫呴柣妯兼暩閺夊憡淇婇悙顏勨偓鏍偋濡も偓椤繈濡搁妷鎰浮婵偓闁靛牆妫岄幏娲⒑閸涘﹦绠撻悗姘煎弮閺佸秹寮崒婊咃紲闂佺粯枪濞呮洖鐣峰畝鈧埀顒侇問閸犳牠鈥﹀畡閭﹀殨闁圭虎鍠楅崑鍕渻鐎n亝鎹i柣娑卞櫍濮婄粯鎷呯粙娆炬闂佺ǹ顑呴幊鎰板箲閵忋倕纾兼繛鎴炵懃瀵寧绻濋姀锝呯厫闁告梹鐗犻崺娑㈠箣閿旇棄浠╁┑鐐村灦瀹稿宕戦幘璇茬闁告侗鍙庡Λ婊冣攽閻樺灚鏆╅柛瀣洴椤㈡岸顢橀悢绋垮伎闂佸湱铏庨崳顕€寮崟顖涚厱闁斥晛鍟伴埊鏇㈡煕鐎n亜鈧潡寮婚敐澶婃闁割煈鍠楅崐顖炴⒑缂佹ɑ灏伴柣鐔叉櫅椤繐煤椤忓秵鏅i梺闈浤涢崨顔筋啅婵犵數濮幏鍐沪閼恒儳浜剧紓鍌欐祰妞村摜鏁敓鐘茬畺妞ゅ繐瀚ч弸搴ㄧ叓閸ャ劍鎯勫ù鐘茬摠缁绘稓鈧稒岣块惌瀣磼椤旇姤宕岀€殿喖顭峰鎾偄閾忕懓楠勬俊鐐€栭悧妤呮嚌妤e啫姹查柡鍥╁枍缁诲棝鏌涘▎蹇fЦ濠殿喖绉甸幈銊︾節閸涱噮浠╅梺褰掝棑婵炩偓闁搞劑绠栭幖褰掝敃閵堝嫮鏁栫紓鍌氬€搁崐椋庢閿熺姴绐楁俊銈呮噺閸嬶繝鏌嶉崫鍕櫣鏉╂繃绻涙潏鍓ф偧缁绢叀娉涘嵄闁割偆鍠嶇换鍡樸亜閺嶃劏澹樻俊鎻掝煼閺岋絽螖娴gǹ鎽靛┑顔硷攻濡炶棄鐣烽妸锔剧瘈闁稿本鍑瑰Λ鍐⒒娴e憡鍟炴繛鍙夌墵閹ê顫濇潏鈺冾槸濠德板€愰崑鎾绘煃鐟欏嫬鐏撮柟顔规櫊瀹曞綊顢曢敐鍡欐婵犵數濮甸鏍窗濮樿泛绀傛慨妞诲亾濠碘剝鎸冲畷鎺戔槈濮樺吋绁梺璇插嚱缂嶅棙绂嶉悙鍝勭闁挎洍鍋撴い顏勫暣婵″爼宕卞Δ鈧ḿ鎴︽⒑缁嬫鍎愰柟鎼佺畺閹偓妞ゅ繐妫涚壕濂告煏韫囨洖孝缂侇偄绉归幃妤冩喆閸曨剛顦ㄥ┑锛勫仒缁瑥顕i锕€绠涢柡澶婄仢閼板潡姊鸿ぐ鎺戜喊濞存粎鍋ら幆鍕償閵婏腹鎷绘繛鎾村焹閸嬫挻绻涙担鍐叉噺瀹曟煡鏌涢埄鍐槈缂佲偓閸喓绡€闂傚牊绋撴晶銏ゆ煟椤撶偞顥㈤柟顔筋殜閺佹劖鎯旈埄鍐憾闂備胶绮幐鑽ょ矙閹达附绠掗梻浣瑰缁诲倸袙閵夈劊浜归柟鐑樺灩閸旓箑顪冮妶鍡楀潑闁稿鎸荤换娑氭兜妞嬪海鐦堥梺缁樹緱閸o絽鐣峰鈧、娆撴嚃閳哄﹥肖闂佽崵鍠愮划宀勬嚐椤栫偛鐓濆ù鐘差儛閺佸倿鏌涢銈呮灁闁告瑥鍟埞鎴﹀煡閸℃浠ч柣鐘亾闁挎洍鍋撻崡閬嶆煟閹寸們婊勭濠婂牊鐓涢柛灞剧☉椤曟粓鏌涢悩鎴愭垿骞堥妸锔剧瘈闁稿被鍊楅崥瀣倵鐟欏嫭绀冮悽顖涘浮閿濈偛鈹戠€e灚鏅為梺鑺ッˇ顔界珶閺囥垺鈷戠紓浣姑悘鍗炩攽椤斿搫鈧繂鐣烽悽绋跨妞ゆ牗绋撻崢楣冩⒑閸涘﹦缂氶柛搴㈢叀瀵娊鍩℃导鍗炵秺閹晠宕橀幓鎺撴嚈婵犳鍠栭敃锔惧垝椤栫偛绠柛娑欐綑瀹告繂鈹戦悩鎻掓殭闁告挾鏁诲缁樻媴閾忕懓绗″銈冨妼濡盯宕氶幒妤€绠荤€规洖娲﹀▓鎯р攽閻樿宸ラ柛鐔哄Т鍗遍柛顐ゅ枑閸欏繑鎱ㄥΔ鈧Λ妤佹櫠椤曗偓閺岋綀绠涢幙鍕紣闂佸疇顫夐崹鍧楀箖濞嗘挸鐭楀鑸瞪戦敍渚€姊绘担鍛婅础閺嬵亪鏌熼懞銉х煂闁告帗甯炵槐鎺懳熼懖鈺冩婵犳鍠楅敃鈺呭储閸忚偐顩锋い鏍仦閳锋垿鏌熼懖鈺佷粶闁告梹娼欓湁婵犲﹤瀚惌鎺楁煙椤栨艾鏆欓悡銈嗐亜韫囨挻鍣介柛妯圭矙濮婃椽妫冨☉姘暫闂佺懓鍟跨换妯虹暦閺夎鐔虹磼濡搫浼庡┑鐘垫暩婵挳骞婅箛娑辨晜闁绘ḿ绮悡鏇㈡煛瀹ュ啫濡垮褏鏁搁埀顒侇問閸犳骞愰幎钘夌畺婵炲棗绶烽崷顓涘亾閿濆骸浜滈柣婵嗙埣濮婂宕掑顑藉亾瀹勬噴褰掑炊瑜忛弳锕傛煟閵忊懚褰掓⒒椤栫偞鐓ラ柡鍌氱仢閳锋柨鈽夐幘宕囆ч柡宀€鍠栭獮鍡氼槾闁挎稑绉归弻锟犲幢椤撶姷鏆ら梺鍝勭灱閸犳劕岣胯箛娑樼鐟滃繘寮抽悩缁樷拺闁告稑锕ゆ慨鈧梺绋款儐閹瑰洤顫忕紒妯肩懝闁逞屽墮宀h儻顦堕柛锝呯秺濮婃椽宕ㄦ繝鍕劶缂備讲鍋撳〒姘e亾鐎殿喗鐓¢、姗€濮€閳锯偓閹峰姊虹粙鎸庢拱闁荤喆鍔戝畷妤€鐣濋埀顒勬儉椤忓牜鏁囬柣鎰版涧閻撶喖鎮楃憴鍕缂侇喖鐭傞崺鐐哄箣閻愮數鐦堥梺鍛婂姀閺呮稑鈻嶉敓鐘斥拻闁稿本鐟︾粊鐗堛亜閺囧棗鎳忓畷鏌ユ煙闁箑鏋熺€规洘鐓¢幃妤呮晲鎼粹剝鐏堢紒缁㈠幐閸嬫捇姊绘担绛嬫綈闁稿海鍘ц灋闁告洦鍨辩€氬懘鏌i弬鍨倯闁绘挶鍎茬换婵嬫濞戞瑱绱炲┑鈩冨絻閹芥粎妲愰幒妤佸亹鐎瑰壊鍠氶崥瀣⒑鐠団€虫灍妞ゃ劌鎳橀崺銉﹀緞婵炵偓鐎婚柣搴秵閸撴稓绮eΔ浣风箚闁绘劦浜滈埀顑懏瀚婚柣鏃傚帶缁€澶屸偓骞垮劚濞诧箑鐣烽崣澶岀闁瑰瓨鐟ラ悘顏堟煛閸涱喚鍙€闁哄本绋戦埥澶愬础閻愬浜堕梻浣筋嚃閸犳鎮烽埡渚囨綎婵炲樊浜滅粻浼村箹濞n剙鐏╂い锔规櫆缁绘稓鈧稒岣块惌銈吤瑰⿰搴濈凹濞e洤锕﹂埀顒佺⊕钃卞┑顖氼嚟缁辨帡顢涘☉娆戭槰濡炪値鍋勭粔鎾煘閹达箑鐓¢柛鈩冾殘娴犳悂姊虹悰鈥充壕闂備緡鍓欑粔鐢稿磹闂堟稈鏀介柣妯虹-椤f煡鏌嶉柨瀣伌闁哄本鐩弫鍌滄嫚閹绘帞顔愰梻浣告啞閺屻劑顢栭崶鈺傤潟闁圭儤姊圭€氭岸鏌熺紒妯哄潑闁稿鎸鹃幉鎾礋椤撴稒鏁靛┑鐘垫暩婵潙煤閵堝洨涓嶆い鏇楀亾闁哄被鍊濋獮渚€骞掗幋婵嗩潕闂備礁缍婇ˉ鎾跺垝椤栨粍宕叉繛鎴炵懄缂嶅洭鏌涢幘妤€鍟悡鍌炴⒒娴d警鏀版繛鍛礋閹兘鍩℃担鐑樻闂佺粯鍨归悺鏃堝极閸ャ劎绠鹃柟瀵镐紳閸忚偐鐝堕柡鍥╁亹閺€浠嬫煟閹邦厽缍戦柣蹇ョ畵閹粙顢涘☉杈ㄧ暥闂佸疇顕х粔鐢垫崲濠靛绀嬮柕濞垮劙婢规洟鏌i悢鍝ユ噧閻庢凹鍘剧划鍫ュ焵椤掑倻纾介柛灞炬皑瀛濋梺鎸庢磸閸婃繈骞冩ィ鍐╁€婚柤鎭掑劚閳ь剝宕电槐鎺戔槈濮楀棗鍓遍梺鍝勬嫅缂嶄礁顫忛搹鍦<婵☆垵宕甸敍娑㈡⒑缂佹ê閲滃┑鈥虫川濡叉劙鎮欓崣鍌涙瀹曘劑顢欑憴鍕伜婵犵數鍋犻幓顏嗗緤閸ф鍋ら柡鍌炲徔缂傛岸鏌熼柇锕€鏋撻柛瀣尵閹叉挳宕熼鍌ゆО闂備焦瀵уú蹇涘垂娴犲违濞达絽澹婂ḿ鈺呮煙妫颁胶鍔嶉棄瀣節閻㈤潧袨闁搞劌銈搁敐鐐村緞婵炴帗妞介幃銏☆槹鎼淬垺顔曟繝寰锋澘鈧洟骞婃惔锝囩焼闁稿瞼鍋為悡鐔兼煙閻愵剙鈻曟い搴㈩殔闇夐柣鎾抽椤掋垻绱掔紒妯肩畼闁哥姴锕よ灒婵炶尙绮紞澶愭⒒娴h鍋犻柛鏂款儔瀹曪繝骞庨悾灞界ウ闂佸搫绋侀崣搴ㄥ极閸愵喗鐓ラ柡鍥殔娴滃墽绱撴担鍝勑i柣妤冨█瀵鎮㈢悰鈥充壕婵炴垶顏伴幋锕€纾块柡鍥ュ灪閻撴盯鏌涢幇鈺佸濠⒀勬礈缁辨帡顢曢姀鈶垦囨煛鐏炲墽娲存い銏℃礋婵″爼宕ㄩ鐣屾И闂傚倷绀佺紞濠囁夐幘璺哄灊妞ゆ牗绮嶅畷鍙夌箾閹存瑥鐏╃紒鐘差煼閺屸剝寰勭€n亞浠奸梺鍛婃煣閸楀啿顫忛搹鍦煓婵炲棙鍎抽崜閬嶆⒑閸︻厽鍤€婵炲樊鍘奸锝囨嫚瀹割喖鎮戦梺鍓插亽閸嬪懘顢撻崶顒佲拻濞达絽鎲¢崯鐐烘煙缁嬫鐓奸柟顖氬椤㈡稑顫濇潏銊︻啎闂備胶鎳撻悺銊х紦閹灛锝夊醇閵夛妇鍘棅顐㈡搐鑹岄柛瀣崌閹煎綊顢曢銏″€涘┑鐘殿暜缁辨洟宕戦幋锕€纾归柡宥庡幗閸嬪淇婇妶鍛殶闁活厽鐟╅弻鐔兼倻濡櫣浜堕梺鍝勵儏缁夊綊寮婚敐鍛傜喖鎳栭埡浣侯偧闂備胶枪閿曘倝鎮樺杈ㄥ床婵炴垯鍨圭粻锝夋煟閹邦剛浠涢柛鐘愁殘缁辨捇宕掑顑藉亾閻熼偊娼╅柕濞у嫷娼熼梺鍦劋椤ㄥ棝宕戦幇鐗堢厱闁归偊鍘肩徊璇测攽椤斿搫鐏叉慨濠傤煼瀹曟儼顧佹俊顖楀亾闂備礁鎼悮顐﹀礉瀹€鍕厴闁硅揪绠戦獮銏′繆椤栨粌鍔嬫い蹇曞█濮婄粯鎷呴崨濠冨創濠碘槅鍋呯换鍐矉瀹ュ閱囬柡鍥╁仩閹芥洖鈹戦悙鏉戠仸闁挎洍鏅涘玻鍧楀煛閸屾ü绨婚梺鍦劋閺岋繝骞忛垾瓒佺懓饪版惔婵嬪仐閻庤娲樺鑺ヤ繆閻戣姤鏅濋柍褜鍓涘▎銏ゆ倷濞村鏂€闂佺粯鍔︽禍婊堟倶椤曗偓閺屾盯鎮╁畷鍥р拰閻庢鍠栭…閿嬩繆濮濆矈妲烽梺绋款儐閹瑰洭寮幇鏉垮窛妞ゆ牗鐟фす宕囩磽閸屾艾鈧摜绮旈幘顔藉剹闁稿本鍑瑰ḿ鏍р攽閻樺疇澹樼痪鎯у悑缁绘盯宕卞Ο铏逛患闂佺粯绋忛崹褰掑煘閹达附鍊烽柡澶婄仢閻ㄧ喖姊洪崨濠佺繁闁哥姵鐗楅幆鏃€绻濋崶銊㈡嫼缂備緡鍨卞ú鏍ㄦ櫠閼碱剛纾奸悗锝庡亜閻忔挳鏌熼鎯т槐鐎规洖缍婇、鏇㈡偐鏉堚晝娉块梻鍌欒兌閹虫捇骞栭鈶芥稑螖娴d警娲告俊銈忕到閸燁垶鍩涢幋锔界厱婵炴垶锕╅悞鐢告煙鏉堥箖妾柛瀣儔閺岋絽螣閸喚姣㈤梺鍝勬4闂勫嫮鎹㈠☉銏犲耿婵☆垵顕ч棄宥夋⒑閹肩偛鈧洜绮旇ぐ鎺戣摕闁哄洨鍠撻悵鑸点亜閺嶃劎顣查柛锝堝Г娣囧﹪骞撻幒鎾虫灎濠殿喖锕︾划顖炲箯閸涙潙鎹舵い鎾跺枙瀵挳姊绘担瑙勫仩闁告柨绻愯灋闁告洦鍋嗛獮鎾绘煠閹颁礁鐏辨俊鎻掝煼濮婃椽鎮滈埡鍌ゆ綉闂佸憡鐟ラ崯顐︼綖韫囨洜纾兼俊顖濐嚙椤庢捇姊洪懡銈呮灈闁稿锕畷鐢碘偓锝庝簴閺€浠嬫煟閹邦厽缍戠紒鑼跺吹缁辨帞绱掑Ο蹇d邯閹箖鎮滈挊澶岀杸濡炪倖鍨兼慨銈夊棘閳ь剟姊虹拠鎻掑毐缂傚秴妫欑粋宥夋倷閻戞ê浠煎┑鐐叉▕娴滄繈宕戦埄鍐瘈濠电姴鍊搁弳鐐烘煙閻у摜绉柡宀€鍠栭悰顕€宕归鍙ユ偅闂備礁鐤囬~澶愬垂瑜版帒鐒垫い鎺戯功缁夐潧霉濠婂懎浠辩€规洘鍔欓幃娆撴倻濡桨鐢绘繝鐢靛Т閿曘倝宕幍顔句笉闁煎鍊愰崑鎾斥枔閸喗鐏嶅┑鈥冲级鐢ゆ闂佸憡鐟ラˇ顓熺濠婂嫨浜滈煫鍥ㄦ尭椤忊晠鏌¢崱顓犲埌闁宠鍨块崹鎯х暦閸パ呭幗闁诲氦顫夊ú鏍х暦椤掑啰浜欓梻浣告啞閸旓附绂嶅┑瀣棷妞ゆ牜鍋為埛鎺懨归敐鍥╂憘闁搞倖鐟╅幃妤€鈽夐幒鎾寸彋閻庤娲橀悷銊╁Φ閹版澘绠抽柟瀵稿Х閸橆剟姊绘担鍛婂暈闁告棑绠撳畷浼村冀椤愩倓绗夐梺鍝勭▉閸樹粙鎮¢妷鈺傜厽闁哄倹瀵ч幆鍫⑩偓娑欑箞閺屾盯鎮滈崱妤冧桓濠殿喖锕ュ钘夌暦濮椻偓瀹曪絾寰勭€n亜澹嶉梻鍌欒兌鏋柨鏇樺€濋垾锕€鐣¢幍顔芥闂侀潧楠忕槐鏇€€呴悜鑺ュ€甸柨婵嗛娴滄劙鏌熼柨瀣仢婵﹥妞藉畷銊︾節閸曨厾鏆ら梺璇插閸戝綊宕㈡總鍓叉晩闊洦鎸撮弨浠嬫倵閿濆骸浜為柛姗€浜堕弻锝嗘償椤栨粎校闂佺ǹ顑呭Λ妤冨弲闂佸湱铏庨崰妤呮偂閺囥垺鐓冮悷娆忓閸斻倕霉濠婂懎浜惧ǎ鍥э躬閹瑩顢旈崟銊ヤ壕闁哄诞灞芥櫊婵犵數濮甸懝鍓у婵犳碍鐓欓柟顖嗗苯娈剁紓浣叉閸嬫捇姊绘笟鈧埀顒傚仜閼活垱鏅堕幘顔界厸閻忕偠濮らˉ婊勩亜閹剧偨鍋㈢€规洏鍔戦、娑橆潩椤戭偅娲栭埞鎴︽晬閸曨偂鏉梺绋匡攻閻楁粓寮鐣岀瘈闁搞儯鍔屽▓鎴︽⒑閸撴彃浜濇繛鍙夌墵閹潡顢氶埀顒勫蓟閿涘嫪娌悹鍥ㄥ絻婵洟姊虹紒妯诲鞍闁荤啿鏅犲璇测槈閵忕姷顓哄┑鐐叉缁诲棝宕戦幘璇插唨妞ゆ劗鍠庢禍鐐叏濡厧浜鹃悗姘炬嫹
优化谱对齐的三维模型簇一致性对应关系计算

吴衍1,2,杨军1,3,张思洋1

(1.兰州交通大学 电子与信息工程学院,兰州 730070;2.福建技术师范学院 大数据与人工智能学院,福建 福清 350300;3.兰州交通大学 测绘与地理信息学院,兰州 730070)



摘要:

为了解决非刚性三维模型簇对应关系计算准确率低、一致性差,且难以实现双射的问题,提出了一种采用优化谱对齐算法和规范一致潜在基的非刚性三维模型簇对应关系计算新方法。首先,利用函数映射的伴随算子实现模型间谱域信息的对齐,计算模型簇中每个模型对的函数映射矩阵,解决函数映射与逐点映射方向不一致的问题;其次,使用改进的模型映射集合算法为每个模型对的函数映射矩阵赋予相应权重,降低初始化参数的噪声对模型簇对应关系计算结果的影响;最后,在模型簇的对应关系计算过程中加入极限模型的规范一致潜在基,极限模型可以看成模型簇中所有模型的类型结构,是一个具有几何可变性的中间模型,提高算法的一致性和双射性。实验结果表明:与已有算法相比,本算法在FAUST、SCAPE、TOSCA和SHERC’16 Topology数据集上构建的对应关系测地误差最小,能够减少初始化参数的噪声,解决模型自身对称性影响对应关系计算的问题,更加精确地构建出具有一致性和双射性的非刚性三维模型簇对应关系。

关键词:  对应关系  非刚性三维模型簇  优化谱对齐  规范一致潜在基  函数映射

DOI:10.11918/202210007

分类号:TP391.4

文献标识码:A

基金项目:国家自然科学基金(7,9);兰州市人才创新创业项目(2020-RC-22);兰州交通大学天佑创新团队(TY202002);福建省自然科学基金(2022J01972);福建省中青年教师教育科研项目(JAT201378)



Consistency correspondence calculation of 3D shape collections using optimized spectral alignment

WU Yan1,2,YANG Jun1,3,ZHANG Siyang1

(1.School of Electronic and Information Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China; 2.School of Big Data and Artificial Intelligence, Fujian Polytechnic Normal University, Fuqing 350300, Fujian, China; 3.Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China)

Abstract:

This paper focuses on the problems of computing correspondences among non-rigid 3D shape collections with a low accuracy rate, poor consistency, and difficult bijectivity. The novel approach proposed in this paper is based on the optimized spectral alignment algorithm and the canonical consistent latent basis. Firstly, we use the adjoint operator derived from the functional map to align the information between shapes in the spectral domain. The functional map matrix of each shape pair in the shape collections is calculated, resolving the problem of inconsistent direction between functional map and pointwise map. Secondly, we adapt the improved collections of shape maps approach to assign corresponding weights to the functional map matrix of each shape pair, reducing the impact of initialization parameter noise on the shape collection matching calculation results. Finally, we add the canonical consistent latent basis of the limit shape to compute the shape collections correspondence. The limit shape can be seen as a type structure of all shapes in the shape collection, which is an intermediate model with geometric variability, improving the consistency and bijectivity of the algorithm. The experimental results show that compared with the existing algorithms, this algorithm has the lowest geodesic error and the highest accuracy of global correspondence on FAUST, SCAPE, TOSCA, and SHERC’16 Topology datasets. Meanwhile, our method can reduce the noise of initialization parameters, solve the symmetric ambiguity problem, and more accurately compute the consistent and bijective correspondence of non-rigid 3D shape collections.

Key words:  correspondence  non-rigid 3D shape collections  optimized spectral alignment  canonical consistent latent basis  functional maps


吴衍, 杨军, 张思洋. 优化谱对齐的三维模型簇一致性对应关系计算[J]. 哈尔滨工业大学学报, 2024, 56(5): 84-92. DOI: 10.11918/202210007.
WU Yan, YANG Jun, ZHANG Siyang. Consistency correspondence calculation of 3D shape collections using optimized spectral alignment[J]. Journal of Harbin Institute of Technology, 2024, 56(5): 84-92. DOI: 10.11918/202210007.
基金项目 国家自然科学基金(42261067,61862039);兰州市人才创新创业项目(2020-RC-22);兰州交通大学天佑创新团队(TY202002);福建省自然科学基金(2022J01972);福建省中青年教师教育科研项目(JAT201378) 作者简介 吴衍(1986—),男,博士研究生;
杨军(1973—),男,教授,博士生导师 通信作者 杨军,yangj@mail.lzjtu.cn 文章历史 收稿日期: 2022-10-02



Abstract            Full text            Figures/Tables            PDF


优化谱对齐的三维模型簇一致性对应关系计算
吴衍1,2, 杨军1,3, 张思洋1    
1. 兰州交通大学 电子与信息工程学院, 兰州 730070;
2. 福建技术师范学院 大数据与人工智能学院, 福建 福清 350300;
3. 兰州交通大学 测绘与地理信息学院, 兰州 730070

收稿日期: 2022-10-02; 录用日期: 2023-01-03; 网络首发日期: 2023-07-24
基金项目: 国家自然科学基金(42261067,61862039);兰州市人才创新创业项目(2020-RC-22);兰州交通大学天佑创新团队(TY202002);福建省自然科学基金(2022J01972);福建省中青年教师教育科研项目(JAT201378)
作者简介: 吴衍(1986—),男,博士研究生; 杨军(1973—),男,教授,博士生导师
通信作者: 杨军,yangj@mail.lzjtu.cn


摘要: 为了解决非刚性三维模型簇对应关系计算准确率低、一致性差,且难以实现双射的问题,提出了一种采用优化谱对齐算法和规范一致潜在基的非刚性三维模型簇对应关系计算新方法。首先,利用函数映射的伴随算子实现模型间谱域信息的对齐,计算模型簇中每个模型对的函数映射矩阵,解决函数映射与逐点映射方向不一致的问题;其次,使用改进的模型映射集合算法为每个模型对的函数映射矩阵赋予相应权重,降低初始化参数的噪声对模型簇对应关系计算结果的影响;最后,在模型簇的对应关系计算过程中加入极限模型的规范一致潜在基,极限模型可以看成模型簇中所有模型的类型结构,是一个具有几何可变性的中间模型,提高算法的一致性和双射性。实验结果表明: 与已有算法相比,本算法在FAUST、SCAPE、TOSCA和SHERC’16 Topology数据集上构建的对应关系测地误差最小,能够减少初始化参数的噪声,解决模型自身对称性影响对应关系计算的问题,更加精确地构建出具有一致性和双射性的非刚性三维模型簇对应关系。
关键词: 对应关系    非刚性三维模型簇    优化谱对齐    规范一致潜在基    函数映射    
Consistency correspondence calculation of 3D shape collections using optimized spectral alignment
WU Yan1,2, YANG Jun1,3, ZHANG Siyang1    
1. School of Electronic and Information Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China;
2. School of Big Data and Artificial Intelligence, Fujian Polytechnic Normal University, Fuqing 350300, Fujian, China;
3. Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China



Abstract: This paper focuses on the problems of computing correspondences among non-rigid 3D shape collections with a low accuracy rate, poor consistency, and difficult bijectivity. The novel approach proposed in this paper is based on the optimized spectral alignment algorithm and the canonical consistent latent basis. Firstly, we use the adjoint operator derived from the functional map to align the information between shapes in the spectral domain. The functional map matrix of each shape pair in the shape collections is calculated, resolving the problem of inconsistent direction between functional map and pointwise map. Secondly, we adapt the improved collections of shape maps approach to assign corresponding weights to the functional map matrix of each shape pair, reducing the impact of initialization parameter noise on the shape collection matching calculation results. Finally, we add the canonical consistent latent basis of the limit shape to compute the shape collections correspondence. The limit shape can be seen as a type structure of all shapes in the shape collection, which is an intermediate model with geometric variability, improving the consistency and bijectivity of the algorithm. The experimental results show that compared with the existing algorithms, this algorithm has the lowest geodesic error and the highest accuracy of global correspondence on FAUST, SCAPE, TOSCA, and SHERC'16 Topology datasets. Meanwhile, our method can reduce the noise of initialization parameters, solve the symmetric ambiguity problem, and more accurately compute the consistent and bijective correspondence of non-rigid 3D shape collections.
Keywords: correspondence    non-rigid 3D shape collections    optimized spectral alignment    canonical consistent latent basis    functional maps    
三维模型的对应关系,也称为三维模型的匹配,是计算机视觉中受到长期关注的一个研究课题,被广泛应用于影视动画、模型检索、风格迁移和形状分析[1]等领域。然而,研究者普遍关注两个三维模型间对应关系问题,而对于三维模型簇尤其是非刚性三维模型簇对应关系计算由于难度更高,研究者关注度相对较少,可这并不影响它有着广阔的应用前景和重要的研究价值。非刚性三维模型簇对应关系计算在交互式几何建模,基于图像重建和运动跟踪[2]等领域举足轻重。本文将重点研究非刚性三维模型簇的对应关系计算问题,以下就本文算法密切相关的工作进行回顾。

函数映射[3]是非刚性三维模型对应关系计算的经典算法之一,它将对应关系编码为线性算子,实现跨模型的标量函数转换,但是由于算法通常使用低维度的谱域基,因此会损失很多高频细节,影响对应关系质量。后续的一些研究对函数映射算法做了很多改进,比如文献[4]是利用特征值对齐思想提高残缺模型定位精度的非刚性残缺模型对应关系算法;文献[5]是一种采用混合监督深度函数映射网络计算近似等距非刚性三维模型对应关系的方法。

大量实际应用场景对计算多个三维模型之间对应关系的需求日益增长,越来越多的学者提出了许多三维模型簇对应关系算法。文献[6]建立了一种利用两个模型表面的变换参数实现无监督学习的算法。文献[7]使用高阶投影能量迭代(higher-order projected power iteration, HPPI)方法解决模型簇匹配过程中常见的问题,如多个模型的几何一致性容易被忽略、对应关系计算成本高等,但也只局限于等距模型簇之间的对应关系计算。文献[8]提出了一种基于函数映射理论与循环一致性约束的三维模型簇的对应关系算法。文献[9]是一种基于模板的等距模型簇对应关系算法,它也有着目前模型簇对应关系算法普遍存在问题,即计算的结果取决于初始化参数的优劣。文献[10]在文献[4]的基础上研究了残缺三维模型簇对应关系计算。文献[11]将深度学习算法与三维模型簇算法结合,提出基于模型模板的无监督循环一致模型簇对应关系算法。

针对上述研究现状中非刚性三维模型簇对应关系算法准确率低,且初始化模型容易受函数映射噪声影响等问题,本文提出了一种采用优化谱对齐(optimized spectral alignment, OSA)算法和规范一致潜在基(canonical consistent latent basis, CCLB)[12]的非刚性三维模型簇对应关系计算新方法。主要创新点和贡献有:1)传统模型簇对应关系算法的初始化参数无法自动生成,而本文利用OSA算法计算模型对的函数映射矩阵作为初始化参数,为后续的一致性模型簇对应关系计算做准备;2)利用极限模型(limit shape, LS)的思想[12],将它的CCLB动态地参与到循环一致的模型簇对应关系计算中,并采用一致性点偏移(coherent point drift, CPD)[13]算法提高逐点映射的还原质量,生成具有一致性和双射性的对应关系结果。

1 优化谱对齐算法传统的非刚性模型簇对应关系算法需要其他的模型间对应关系算法提供初始化模型对的映射矩阵,而且算法最终的结果很大程度受此初始化参数的影响,为了消除初始化参数中的噪声干扰,本文提出OSA算法来计算模型对的函数映射矩阵,所使用的伴随算子对非刚性模型的谱对齐过程而言,在计算过程中不需要切换映射方向,可以减少映射矩阵和逐点映射之间方向转换时的精度损耗,是更优的线性转换算子,它为后续模型簇对应关系计算提供高质量的初始化参数。

1.1 函数映射算法将非刚性三维模型MN建模为嵌入到$ \mathbb{R}^3$中的平滑二维黎曼流形,它们的顶点数分别为n1n2, 定义PMNMN为该模型间的逐点映射, 函数映射算法利用函数空间之间的线性映射PNMFF(N, $ \mathbb{R}$F(M, $ \mathbb{R}$)来还原逐点映射PMN, 在这个过程中需要定义标量函数fM$ \mathbb{R}$g: N$ \mathbb{R}$。因此可以得到

$ f(x)=g\left(P_{M N}(x)\right) $ (1)

式中点xM

同样,通过线性映射PNMF可以将模型N上标量函数g映射为模型M上的标量函数f, 因此可以得到

$ f=P_{N M}^{\mathrm{F}}(g) $ (2)

从式(1)和(2)可以看出,PMNPNMF映射方向不一致,这对于从函数映射矩阵还原逐点映射的后处理计算来说是很不利的,会造成计算量的增大和精度的损失。

1.2 优化谱对齐算法为了解决方向不一致的问题,本文算法引入函数映射PNMF的伴随算子PMNA,定义如下:

$ \left\langle g, P_{M N}^{\mathrm{A}}(f)\right\rangle_N=\left\langle P_{N M}^{\mathrm{F}}(g), f\right\rangle_M $ (3)

其中,〈PNMF(g), fM和〈g, PMNA(f)〉N分别是模型MN上的平方可积函数空间的标准内积。该内积在连续域上展开为〈h1, h2S$ \int_S h_1 h_2 \mathrm{~d} s, h_1, h_2: S \rightarrow\mathbb{R}$是两个标量函数,ds是流形S的面积元素。伴随算子PMNA和逐点映射PMN方向是一致的,理论上可以更自然地进行逐点映射的还原。

函数映射PNMF和它的伴随算子PMNA可以分别使用矩阵CNMOMN来表示,它们的逐点映射分别采用置换矩阵ΠMNΓMN描述。算法的实际应用需要在离散域的前提下进行,因此接下来将在离散域上讨论本算法,将连续函数fg分别离散为在每个顶点上的向量fg,于是式(3)可以转换成如下公式:

$ \left\langle\boldsymbol{g}, \boldsymbol{\varGamma}_{M N} \boldsymbol{f}\right\rangle_N=\left\langle\boldsymbol{\varPi}_{M N} \boldsymbol{g}, \boldsymbol{f}\right\rangle_M $ (4)

式(4)展开成为gTANΓMNf=gTΠMNTAMfAMAN是流形MN上面积权重的对角矩阵,因此可以得到

$\boldsymbol{\varGamma}_{M N}=\boldsymbol{A}_N^{\mathrm{T}} \boldsymbol{\varPi}_{M N}{ }^{\mathrm{T}} \boldsymbol{A}_M $ (5)

根据函数映射算法可知,在完整基函数的前提下,函数映射可以实现2个函数空间之间的线性转换,然而在实际应用中,基函数的个数通常设定为50~500,此时函数映射可近似表示为保存2个简化基函数的矩阵间的转换。假设分别构造MN的基函数{?i}i≥1和{ψj}j≥1,并将基函数前k1?n1k2?n2项保存在矩阵Φ=(?1, …, ?k1)和Ψ=(ψ1, …, ψk2),可以得出如下公式:

$\boldsymbol{C}_{N M}=\boldsymbol{\varPhi}^{\mathrm{T}} \boldsymbol{\varPi}_{M N}{ }^{\mathrm{T}} \boldsymbol{\varPsi} $ (6)

$ \boldsymbol{O}_{M N}=\boldsymbol{\varPsi}^{\mathrm{T}} \boldsymbol{\varGamma}_{M N} \boldsymbol{\varPhi} $ (7)

由式(5)和式(7)可以得到

$ \boldsymbol{O}_{M N}=\boldsymbol{\varPsi}^{\mathrm{T}} \boldsymbol{A}_N^{\mathrm{T}} \boldsymbol{\varPi}_{M N}{ }^{\mathrm{T}} \boldsymbol{A}_M \boldsymbol{\varPhi} $ (8)

由于基函数与面积权重的对角矩阵是正交的,因此ΦTAMΦ=IΨTANΨ=II是单位矩阵,则公式(8)可以优化为

$ \begin{aligned}\boldsymbol{O}_{M N}= & \boldsymbol{\varPsi}^{\mathrm{T}} \boldsymbol{A}_N^{\mathrm{T}} \boldsymbol{\varPi}_{M N}{ }^{\mathrm{T}} \boldsymbol{A}_M \boldsymbol{\varPhi}=\boldsymbol{\varPsi}^{\mathrm{T}} \boldsymbol{\varPi}_{M N}{ }^{\mathrm{T}} \boldsymbol{\varPhi}= \\& \left(\boldsymbol{\varPhi}^{\mathrm{T}} \boldsymbol{\varPi}_{M N} \boldsymbol{\varPsi}\right)^{\mathrm{T}}=\left(\boldsymbol{C}_{N M}\right)^{\mathrm{T}}\end{aligned} $ (9)

利用式(9)的结论OMNΦT=ΨTΠMNT做谱域的对齐计算,得出本文OSA算法的优化问题如下:

$ \boldsymbol{O}_{M N}=\mathop {\arg \min }\limits_{\boldsymbol{O}} \left\|\boldsymbol{O} \boldsymbol{\varPhi}^{\mathrm{T}}-\boldsymbol{\varPsi}^{\mathrm{T}} \boldsymbol{\varPi}_{M N}{ }^{\mathrm{T}}\right\|^2 $ (10)

O是迭代求解优化问题过程中矩阵OMN的中间产物,该优化问题使用弗罗贝尼乌斯范数‖·‖来计算矩阵间的距离。求得OMN之后,通过式(9)可以计算CNM,为后续的模型簇对应关系计算做准备。

2 一致性非刚性模型簇对应关系计算 2.1 规范一致潜在基给定一组非刚性模型簇{Sl}l=1n,将它们建模为二维黎曼流形,对于每一对SiSj,?i, j∈{1, 2, …, n}且ij,利用上述的OSA算法计算出Cij

传统的模型簇对应关系算法框架如图 1(a)所示,通常基于循环一致算法,利用理想情况下循环路径中的函数映射矩阵组合与单位矩阵的零偏差进行计算,即通过计算如下优化问题获得对应关系:

$ \min \left\|\boldsymbol{C}_{12} \boldsymbol{C}_{23} \cdots \boldsymbol{C}_{n 1}-\boldsymbol{I}\right\|^2 $ (11)

Fig. 1
图 1 算法框架示意 Fig. 1 Schematic of algorithm framework


该算法的一个缺点是优化问题中多个模型的函数映射矩阵组合是单向循环,这就造成了模型簇对应关系结果的双射性不足;另一个缺点是模型簇中只要有一对模型的函数映射矩阵质量不高,就会造成整体模型簇对应关系计算精度的下降,如何能削弱甚至消除“坏”模型参数的影响就成了模型簇对应关系计算的难题。

为了解决这些问题,本文算法首先利用文献[12]提出的极限模型(limit shape, LS)的思想,将其动态地参与到循环一致的模型簇对应关系计算中,算法的框架见图 1(b)。其中S0就是一个极限模型,它类似于模型簇中的“平均模型”,有着相应的几何结构,但并不是独立存在或者固定不变的模板模型,而是与模型簇中的模型相关,它的重要特征是一组规范一致潜在基(canonical consistent latent basis, CCLB),即{Yl}l=1n。CCLB也可以看成是极限模型S0到每个模型Si∈{Sl}l=1n的函数映射矩阵,可得等式CijYi=Yj。由此可列以下公式:

$ \boldsymbol{C}_{i j}=\boldsymbol{Y}_j \boldsymbol{Y}_i^{\mathrm{T}}, \forall i, j \in\{1, 2, \cdots, n\}, i \neq j $ (12)

极限模型可以看成模型簇中所有模型的类型结构,是一个具有几何可变性的中间模型,有很强的代表性,因此通过公式(12)将极限模型的CCLB与函数映射关联在一起,可以很好地保证最终模型簇对应关系的双射性。

其次,Cij的“好坏”对模型簇对应关系的计算有着决定性的影响,为了获得最优的计算结果,本文算法利用文献[14]的改进模型映射集合(improving collections of shape maps, ICSM)的优化算法给每一个Cij赋予相应权重。ICSM算法使用测地距离和模型面积的比值来评估模型簇的循环一致性的优劣,具体而言,定义模型簇的一组循环γ={S1, S2, …, Sn, S1},它的循环映射为mγS1S2→…SnS1,因此循环γ映射结果的优劣可以使用如下公式进行评估:

$ E(\gamma)=\sum\limits_{v \in S_1} \frac{d_{S_1}\left(\boldsymbol{v}, \boldsymbol{m}_\gamma(v)\right)}{\sqrt{\operatorname{area}\left(S_1\right)}} $ (13)

式中: vS1是起始模型S1上的点,mγ(v)是经历了循环γ之后vS1在终点模型S1上映射的点,dS1是模型S1上2个点之间的测地距离,area(S1)是模型S1的面积。评估模型簇中的不同循环路径映射结果,具体采用控制变量的方法,先得出所有模型完整路径的结果,再计算每次去除一个模型后的结果,根据前后的差异评估变量的优劣,就可以得出每个模型对的函数映射Cij的评估结果,这个结果归一化生成权重参数ωij,并将该参数与对应的Cij数据项相乘。因为参数大小反映Cij的评估结果,因此“好”的Cij在模型簇的计算过程中会被放大而发挥更大的作用,反之“差”的Cij将被削弱甚至由于对应的权重参数为0而被消除。将该参数与式(12)结合可以得到以下优化问题:

$ \underset{\boldsymbol{Y}}{\arg \min } \sum\limits_{i, j} \omega_{i j}\left\|\boldsymbol{C}_{i j} \boldsymbol{Y}_i-\boldsymbol{Y}_j\right\|^2 $ (14)

式中Y=[Y1, Y2, …, Yn],而且$ \sum\limits_i \boldsymbol{Y}_i^{\mathrm{T}} \boldsymbol{Y}_i=\boldsymbol{I}$,求解该优化问题可以得到{Yl}l=1n

2.2 还原逐点映射为了还原最终的逐点映射,给模型簇中的每对模型SiSj构建置换矩阵Πij,它们的基函数矩阵分别为ΦiΦj。理想情况下模型对的函数映射满足正交性,即

$ \boldsymbol{C}_{i j} \boldsymbol{C}_{j i}=\boldsymbol{I} $ (15)

根据式(6)可得Cij=ΦjTΠijΦi,根据式(12)可得Cji=YiYjT,将这2个结论与公式(15)结合,可得如下公式:

$ \boldsymbol{\varPhi}_j^{\mathrm{T}} \boldsymbol{\varPi}_{i j} \boldsymbol{\varPhi}_i \boldsymbol{Y}_i \boldsymbol{Y}_j^{\mathrm{T}}=\boldsymbol{I} $ (16)

由此可列出用于计算置换矩阵Πij的优化问题

$\mathop {\arg \;\min }\limits_{\boldsymbol{\varPi}_{i j} \in\{0, 1\}} \left\|\boldsymbol{\varPi}_{i j} \boldsymbol{\varPhi}_i \boldsymbol{Y}_i-\boldsymbol{\varPhi}_j \boldsymbol{Y}_j\right\|^2 $ (17)

为了提高求解该优化问题的精度,将CPD算法[13]与式(17)进行融合,把点对点映射还原问题看成求解概率密度估计问题,以最大后验概率恢复点对点映射,则式(17)改写成

$\mathop {\arg \;\min }\limits_{\boldsymbol{\varPi}_{i j} \in\{0, 1\}} D_{\mathrm{KL}}{ }\left(\boldsymbol{\varPhi}_j \boldsymbol{Y}_j, \boldsymbol{\varPi}_{i j} \boldsymbol{\varPhi}_i \boldsymbol{Y}_i\right)+\rho\left\|\varGamma\left(\boldsymbol{\varPhi}_j \boldsymbol{Y}_j-\boldsymbol{\varPi}_{i j} \boldsymbol{\varPhi}_i \boldsymbol{Y}_i\right)\right\|^2$ (18)

式中: 将ΦjYj表示为连续高斯混合模型分布,ΦiY表示为混合狄拉克分布,DKL计算的是这2个分布之间的库尔贝克-莱布勒(Kullback-Leibler, KL)散度,‖Γ(ΦjYjΠijΦiYi)‖2是洁洪诺夫正则化项,Γ是促进平滑的低通运算符,ρ>0是DKL项和洁洪诺夫正则化项之间的权衡参数,在实验中当ρ处于2到5之间,优化问题求解值的平均测地误差最小,因此选择ρ=3。采用期望最大化(expectation maximization,EM) 算法对公式(18)进行计算,该对齐问题的优化求解可以看成是对似然函数的最大化。

通过式(18)得到置换矩阵Πij,这样就还原了模型簇中模型对的逐点映射,即获得了模型簇对应关系结果。

3 实验结果与分析本文算法采用Matlab编程实现,在FAUST[15]、SCAPE[16]、TOSCA[17]和SHERC’16 Topology[18]数据集上进行实验, 并与文献[6]、[9]和[19]的算法进行非刚性模型簇对应关系计算的定性和定量比较。文献[6]是一种基于深度学习的算法,使用ADAM优化器训练500个epoch,算法初始学习率为0.01,随着训练的增多逐渐降低至0.001。文献[19]是最新的非刚性模型对的对应关系算法,虽然它并不是模型簇的算法,但是该算法在谱域和空间域上迭代优化目标问题,生成的对应关系结果质量很高,是非常有代表性的非刚性模型对应关系算法,为了和模型簇算法公平地比较结果,使用该算法依次计算模型簇中每个模型对的对应关系结果实现实验对比。

3.1 实验数据集使用4种数据集进行定性和定量的实验, 其中FAUST数据集是由10个不同人体,每个人以30个不同的动作进行扫描,得到的300张高分辨率三角网格模型组成的;SCAPE数据集由72个具有不同连通性和网格分辨率的人体模型组成,每个人体模型的动作各异;TOSCA数据集是一个合成图像数据集, 包含人、猩猩、猫、狗等8类动物共76幅三维图像;SHERC’16 Topology数据集包含25个近等距的胖孩子模型,这些模型中有大量拓扑伪影噪声。

3.2 定性实验结果图 2是本文算法和文献[6]、[9]和[19]算法在SCAPE数据集构建的非刚性模型簇对应关系结果对比。对源模型根据顶点坐标进行颜色渲染,使用对应关系结果将目标模型与源模型匹配的顶点绘制相同颜色,如此便可直观地验证出对应关系结果的准确性。图 2(b)是文献[6]的对应关系结果,该算法使用深度表面变形(deep surface deformation, DSD)网络将模型的变换参数在模型簇中传递,导致噪声也会被传递放大,前3个模型的手臂虽然基本对应正确,但是模型身体其他部分都出现左右对应错误,第4个模型受模型自身对称性的影响甚至整体出现左右颠倒对应。图 2(c)是文献[9]的对应关系结果,它是基于模板的对应关系算法,基本不会出现如图 2(b)中前3个模型手臂与身体颜色“断层”的现象。但是由于初始化参数质量无法保证,引入的噪声难以消除,所以对应结果质量不高,可视化效果不平滑。而且算法也受模型自身对称性的影响,前2个模型的左右对应关系都是错误的。文献[19]利用双重迭代优化(dual iterative refinement, DIR)算法,在谱域和空间域上交替优化目标问题,可以很好地处理模型自身对称性影响对应关系计算的问题,从图 2(d)可看出模型整体对应结果大致正确,只是出现了一些细小的错误映射,视觉上呈现斑点状。从图 2(e)可看出,相比于以上3种算法,本文算法可以很好地分析非刚性模型簇,获得的对应关系结果正确,且效果更加平滑,构建的对应关系质量是最高的。

Fig. 2
图 2 SCAPE数据集上4种算法构建的非刚性模型簇对应关系结果 Fig. 2 Correspondence results of non-rigid shape constructed by four algorithms on SCAPE dataset


本文算法与文献[6]、[9]和[19]算法在TOSCA数据集上构建的非刚性模型簇对应关系可视化对比结果见图 3。从图 3(b)中可见,文献[6]算法在TOSCA数据集上依然受模型自身对称性的影响。其中3个半人马模型中左右对应关系都是错误的,左边第一个半人马模型的胸口出现一大块与周围颜色不连接的区域,将其与源模型颜色对比,很明显可以看出是错误映射分布,这是算法将不匹配的点也纳入到变形的过程中所造成的结果。图 3(c)中,4个半人马模型中有2个模型出现了模型左右对应错误的现象,左边第一个模型的马腹部出现大量对应错误。文献[19]作为模型对(2个模型)的对应关系算法,一旦对应关系结果中出现大量噪声,无法像模型簇对应关系算法一样利用多模型的循环一致性来消除单个模型对的噪声。从图 3(d)中可以看出,左边第一个模型的错误映射分布特别多,其他3个模型相对会少一些,同时算法也难以处理模型自身对称性影响对应关系计算的问题,4个模型的左右对应关系都是错误的。而本文利用OSA算法计算模型对之间的对应关系,生成高质量的初始化参数,减少了噪声的引入,使用CCLB参与模型簇对应关系计算,能够有效区分模型对称特性,解决模型自身对称性影响对应关系计算的问题,由图 3(e)可见,本文算法对应关系准确率高,语义颜色信息更加平滑自然。

Fig. 3
图 3 TOSCA数据集上4种算法构建非刚性模型簇对应关系结果 Fig. 3 Correspondence results of non-rigid shape collections constructed by four algorithms on TOSCA dataset


图 4通过纹理迁移来展示不同算法分别在FAUST和TOSCA数据集上构建的对应关系结果。纹理迁移根据对应关系结果将纹理图片从源模型映射到目标模型上,可以直观地反映算法双射性的优劣。图中将同一位置的局部细节放大,更好地可视化映射结果的局部失真。在FAUST数据集上,从局部的放大细节上看,文献[6]算法出现对应上的左右颠倒问题,归根结底还是模型自身对称性结构导致的,文献[9]和文献[19]算法都出现了不同程度的局部对应失真,而本文算法在连续性和映射质量上都明显优于其他算法。在TOSCA数据集上,放大的局部细节选取的是模型变形扭曲程度最大的位置,可以看出文献[9]和文献[19]算法映射的连续性很差,出现严重的总体映射误差,而本文算法在保持良好局部细节的同时,映射的连续性最好,且总体误差最小,对应关系结果的准确率优于其他算法,所得到的纹理映射最接近映射的真实情况,这证明了本文算法可以很好地保证映射的双射性。

Fig. 4
图 4 在FAUST和TOSCA数据集上通过纹理迁移展示4种算法的对应关系结果 Fig. 4 Correspondence results of four algorithms presented by texture transfer on FAUST and TOSCA datasets


本文算法与文献[6]、[9]和[19]算法在SHERC’16 Topology数据集上构建的非刚性模型簇对应关系可视化对比结果见图 5。SHERC’16 Topology数据集中的模型由于表面区域的重叠会产生大量的拓扑伪影噪声,例如图中第一行右手叉腰的胖孩子的双手处、第二个胖孩子的左手手臂和身体连接处以及第二行跳跃胖孩子的双脚都是典型的区域重叠,因此该数据集通常作为拓扑噪声测试数据集。从图中可以看出,文献[6]和[19]算法无法处理模型的拓扑伪影噪声,不仅在区域重叠处对应错误,在全身各个区域也都无法产生正确的对应结果。文献[9]算法大部分对应关系可视化效果较为平滑,但存在模型左右对应的错误,整体对应失真也很严重。本文算法在区域重叠处大致对应正确,除了叉腰胖孩子的右手手掌处对应失真,对应关系结果基本不受拓扑伪影噪声影响,整体误差小,局部细节平滑,证明本文算法可以很好地解决拓扑伪影噪声问题。

Fig. 5
图 5 SHERC’16 Topology数据集上4种算法构建非刚性模型簇对应关系结果 Fig. 5 Correspondence results of non-rigid shape collections constructed by four algorithms on SHERC'16 Topology dataset


3.3 定量实验结果为了定量地比较不同算法计算非刚性三维模型簇对应关系的有效性,本文采用归一化测地距离(normalized geodesic distance, NGD)[20]评估对应关系结果的准确率。NGD又被称为测地误差,假设z为目标模型Z上一点,u*u分别为源模型U上与z的真实对应点以及实际对应点,这两点间的测地误差e(z)计算公式如下:

$e(z)=\frac{d_U\left(u, u^*\right)}{\sqrt{\operatorname{area}(U)}}$ (19)

式中dU是点uu*在模型U上的测地距离,area(U) 是模型U的面积。

图 6是本文算法与文献[6]、[9]和[19]算法在不同数据集上的测地误差曲线,图中横坐标为测地误差,纵坐标为对应关系准确率的百分比,曲线代表落在某个测地误差值内的对应关系准确率的累积曲线。在FAUST数据集上,本文算法虽然在测地误差为0时对应关系准确率略微低于文献[19],但在误差为0.01时准确率就反超文献[19],并有更优异的全局准确率,在测地误差为0.1的时候达到了100%的对应关系准确率。而文献[9]和文献[19]直到误差分别为0.15和0.2才达到同样的准确率,文献[6]直到测地误差为0.25时一直是低于85%。在SCAPE数据集上,本文算法、文献[9]和文献[19]都较快地收敛于100%的准确率,该数据集与FAUST数据集类似,都是对真实人体的扫描,数据采集过程中会产生许多伪影噪声,这样的定量结果说明这3种算法都可以很好地处理伪影噪声,而文献[6]的准确率一直都很低。在TOSCA数据集上,由于该数据集是一个合成图像数据集,三维图像中有很多重叠与遮挡的地方,很容易产生拓扑噪声,从图中可以看出,本文算法依然取得了最优的结果,准确率比其他3种算法都有较大提升,比排第二的文献[9]准确率有大约30%的提升。综上所述,本文算法在非刚性三维模型簇对应关系计算能力上比以上3种算法更优异,准确率更高,且能够有效地处理三维模型的伪影噪声和拓扑噪声。

Fig. 6
图 6 4种算法在3个数据集上的测地误差曲线 Fig. 6 Geodesic error curves of four algorithms on three datasets


3.4 消融实验表 1为本文算法在FAUST、SCAPE和TOSCA数据集上进行消融实验的结果,表中数据为平均测地误差。通过不包含OSA算法、不包含ICSM权重、不包含OSA算法和ICSM权重以及包含OSA算法和ICSM权重这4种不同的设置进行实验。本文算法在不包含OSA算法的设置下,使用函数映射来计算模型对的对应关系,由此引入了大量噪声,平均测地误差明显比包含OSA算法的设置前提下更大了;在不包含ICSM权重的设置下,所有的初始化参数权重都相等,会起到放大噪声的效果,对准确率也有一定的影响;在不包含OSA算法和ICSM权重的设置下,平均测地误差最大,因此对对应关系准确率的影响也最大。可以看出,OSA算法和ICSM权重可显著提高对应关系准确率,进一步证明了本文算法的有效性。

表 1
表 1 消融实验 Tab. 1 Ablation experiments 数据集 不包含OSA 不包含ICSM 不包含OSA和ICSM 包含OSA和ICSM

FAUST 0.110 0.078 0.177 0.028

SCAPE 0.096 0.062 0.112 0.019

TOSCA 0.188 0.123 0.252 0.049



表 1 消融实验 Tab. 1 Ablation experiments


3.5 运行时间图 7为本文算法与文献[6]和[9]算法在以上3种数据集上计算一组模型簇(包含5个模型)对应关系所需的平均运行时间对比结果。由于文献[19]是模型对的对应关系算法,和模型簇算法运行时间的比较没有意义,因此不纳入实验中进行对比。实验设备采用Core i7处理器,CPU主频为2.1 GHz,内存大小为32 GB,显卡采用RTX 3080,显存大小为12 GB。文献[6]是一种深度学习算法,总体运行时间由预处理、训练和测试以及后处理3个阶段组成,由于算法可以提供泛化的模型用于处理不同数据集,因此当前测试不考虑训练时间,然而扣除训练时间后算法的整体运行时间仍在800~1 100 s之间,要高于其他2种非深度学习的算法,而且该算法基于模型变形机制,运行时间会随着模型顶点数的增加而增大。文献[9]需要对多模型与模板模型之间的置换矩阵和函数映射矩阵进行循环一致性的交替求解,相对于本文算法更耗时一些,而且由于采用模板机制,模型顶点数和算法运行时间也成正比。本文算法的运行时间接近于文献[9]。这是因为本文算法的优化问题虽然相对比较简单,但是求解优化问题的CPD算法是比较耗时的,并且由于计算初始化参数的OSA算法基于函数映射,整体的运行时间受模型点数增加的影响也较小。综上所述,本文算法在获得高质量三维模型簇对应关系的前提下,在运行时间上也具备一定的优势。

Fig. 7
图 7 3种算法的运行时间 Fig. 7 Runtime of three algorithms


4 结论三维模型簇对应关系计算是计算机视觉和计算机图形学领域的研究热点与难点问题。本文首先使用OSA算法来计算初始化参数,该算法使用伴随算子这一更优的线性转换算子,解决函数映射与逐点映射方向不一致的问题;其次利用ICSM算法为每个初始化参数赋予相应权重,降低甚至过滤噪声;最后将极限模型的CCLB参与到多模型的循环一致性算法过程中,从而生成具有一致性和双射性的模型簇对应关系结果。实验结果表明,本文算法与现有算法相比,可以更好地解决模型自身对称性影响对应关系计算的问题,构建的对应关系结果准确性和一致性更高。

然而,本文算法还存在一些不足,一方面OSA算法基于函数映射,如果处理非等距或者残缺模型,会引入很多噪声,影响后续计算的准确性;另一方面,基于CCLB的循环一致性算法前提是建立完整模型之间具有双射性的对应关系,因此对于残缺模型簇的计算结果是很差的。以上这些问题也是今后需要不断探讨与改进的方面。


参考文献
[1] MITRA N J, WAND M, ZHANG H, et al. Structure-aware shape processing[M]. ACM SIGGRAPH 2014 Courses, 2014: 1. DOI:10.1145/2614028.2615401


[2] ZUFFI S, KANAZAWA A, JACOBS D W, et al. 3D menagerie: modeling the 3D shape and pose of animals[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Honolulu: IEEE Press, 2017: 6365. DOI: 10.1109/CVPR.2017.586


[3] OVSJANIKOV M, BEN-CHEN M, SOLOMON J, et al. Functional maps: a flexible representation of maps between shapes[J]. ACM Transactions on Graphics, 2012, 31(4): 1. DOI:10.1145/2185520.2185526


[4] WU Y, YANG J, ZHAO J. Partial 3D shape functional correspondence via fully spectral eigenvalue alignment and upsampling refinement[J]. Computers & Graphics, 2020, 92(6): 99. DOI:10.1016/j.cag.2020.09.004


[5] 杨军, 李金泰. 混合式监督学习的三维模型对应关系计算[J]. 西安电子科技大学学报, 2022, 49(4): 201.
YANG Jun, LI Jintai. Correspondencecalculation of 3D shapes by mixed supervision learning[J]. Journal of Xidian University, 2022, 49(4): 201. DOI:10.19665/j.issn1001-2400.2022.04.023


[6] GROUEIX T, FISHER M, KIM V G, et al. Unsupervised cycle-consistent deformation for shape matching[J]. Computer Graphics Forum, 2019, 38(5): 123. DOI:10.1111/cgf.13794


[7] BERNARD F, THUNBERG J, SWOBODA P, et al. HiPPI: higher-order projected power iterations for scalable multi-matching[C]//Proceedings of the IEEE International Conference on Computer Vision. Seoul: IEEE Press, 2019: 10284. DOI: 10.1109/ICCV.2019.01038


[8] 杨军, 雷鸣. 结合函数映射与循环一致性约束的模型簇对应关系计算[J]. 激光与光电子学进展, 2019, 56(8): 081005.
YANG Jun, LEI Ming. Correspondence calculation of model cluster by functional mapping combined with cycle-consistency constraints[J]. Laser & Optoelectronics Progress, 2019, 56(8): 081005. DOI:10.3788/LOP56.081005


[9] GAO M, LAHNER Z, THUNBERG J, et al. Isometric multi-shape matching[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Nashville: IEEE, 2021: 14183. DOI: 10.1109/CVPR46437.2021.01396


[10] WU Y, YANG J. Multi-part shape matching by simultaneous partial functional correspondence[J]. The Visual Computer, 2022, 1. DOI:10.1007/s00371-021-02337-6


[11] CAO D, BERNARD F. Unsupervised deep multi-shape matching[C]//Proceedings of the European Conference on Computer Vision. Tel Aviv: Springer, 2022: 55. DOI: 10.1007/978-3-031-20062-5_4


[12] HUANG R, ACHLIOPTAS P, GUIBAS L, et al. Limit shapes——A tool for understanding shape differences and variability in 3D model collections[J]. Computer Graphics Forum, 2019, 38(5): 187. DOI:10.1111/cgf.13799


[13] MYRONENKO A, SONG X. Point set registration: coherent point drift[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(12): 2262. DOI:10.1109/TPAMI.2010.46


[14] NGUYEN A, BEN-CHEN M, WELNICKA K, et al. An optimization approach to improving collections of shape maps[J]. Computer Graphics Forum, 2011, 30(5): 1481. DOI:10.1111/j.1467-8659.2011.02022.x


[15] BOGO F, ROMERO J, LOPER M, et al. FAUST: dataset and evaluation for 3D mesh registration[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Columbus: IEEE Press, 2014: 3794. DOI: 10.1109/CVPR.2014.491


[16] ANGUELOV D, SRINIVASAN P, KOLLER D, et al. Scape: shape completion and animation of people[J]. ACM Transactions on Graphics, 2005, 24(3): 408. DOI:10.1145/1186822.1073207


[17] BRONSTEIN A M, BRONSTEIN M M, KIMMEL R. Numerical geometry of non-rigid shapes[M]. New York: Springer, 2008: 56.


[18] L?HNER Z, RODOLà E, BRONSTEIN M M, et al. SHREC'16: matching of deformable shapes with topological noise[C]//Proceedings of the Eurographics Workshop on 3D Object Retrieval. Heidelberg: Springer, 2016: 55. DOI: 10.5555/3056462.3056475


[19] XIANG R, LAI R, ZHAO H. A dual iterative refinement method for non-rigid shape matching[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Nashville: IEEE, 2021: 15930. DOI: 10.1109/CVPR46437.2021.01567


[20] KIM V G, LIPMAN Y, FUNKHOUSER T. Blended intrinsic maps[J]. ACM Transactions on Graphics, 2011, 30(4): 1. DOI:10.1145/2010324.1964974



相关话题/

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19