Machine und Deep Learning Seminar

Abstract – Deep Geometric Consistent 3D Shape Matching

(Geometrisch konsistente 3D-Formanpassung in der Tiefe)

In dieser Arbeit wird über die Möglichkeit diskutiert, die Vorteile von lernbasierten und kombinatorischen Formalismen für 3D-Formmatching zu kombinieren. Lernbasierte Lösungen für Formmatching führen zwar zu Übereinstimmungsleistungen, die dem Stand der Technik entsprechen, gewährleisten aber keine geometrische Konsistenz, so dass die erzielten Übereinstimmungen lokal nicht glatt sind. Im Gegensatz dazu ermöglichen axiomatische Methoden die Berücksichtigung der geometrischen Konsistenz, indem sie den Raum der gültigen Übereinstimmungen explizit einschränken. Bestehende axiomatische Formalismen sind jedoch unpraktisch, da sie nicht auf praktisch relevante Problemgrößen skalieren oder Eingaben für Nutzende für die Initialisierung von nicht-konvexen Optimierungsproblemen erfordern. Diese Lücke soll geschlossen werden, indem man einen neuartigen kombinatorischen Löser ins Spiel bringt, der eine einzigartige Reihe vorteilhafter Eigenschaften kombiniert:

Unser Ansatz

1. ist initialisierungsfrei
2. ist durch ein Quasi-Newton-Verfahren massiv parallelisierbar
3. bietet Optimalitätslücken 
4. liefert verkürzte Laufzeiten und global optimale Ergebnisse für viele Instanzen