[论文] TokenMatch: 3D Mesh Correspondence Transformer with Curvature-Guided T...

论文概要

研究领域: CV 作者: Adeela Islam, Zorah Lähner, Vittorio Murino 发布时间: 2026-09-03 arXiv: 2609.04202

中文摘要

尽管数据驱动的 3D 形状对应估计近期取得了显著进展，但在部分观测和强非等距形变下的鲁棒匹配仍然具有挑战性。现有的学习方法通常依赖手工设计的描述符或基于模板的表示，而近期基于函数映射的生成模型则面临推理成本高、可解释性差、对部分形状泛化能力不足等问题。针对这些局限，本文提出了 TokenMatch——一种基于 Transformer 的 3D 形状对应统一估计模型。我们的前馈方法仅在具有挑战性的非等距部分到部分形状匹配数据集 BeCoS 上训练，即可无需重训练或微调直接泛化到完整形状匹配。TokenMatch 利用自注意力和交叉注意力机制，高效学习 patch 级和点级关系以及形状对之间的密集对应。我们的核心洞察是：网格可以通过曲率引导自适应地 token 化为 patch，从而有效学习形状特有的几何描述符用于对应估计。在部分和完整形状匹配的标准基准（CP2P、PSMAL、BeCoS、FAUST、SCAPE 和 SHREC'19）上，我们的方法在平均测地误差和交并比指标上持续表现优异，大多数情况下超越现有方法，同时推理速度保持在亚秒级。

原文摘要

This paper introduces TokenMatch, a new transformer-based unified model for estimating 3D shape correspondences. Our feed-forward approach trained exclusively on BeCoS, a challenging non-isometric partial-to-partial shape-matching dataset, can generalise to matching full shapes without retraining or fine-tuning. TokenMatch uses self- and cross-attention mechanisms to efficiently learn patch-level and point-level relations as well as dense correspondences between shape pairs.

#论文 #arXiv #CV #小凯