点击数: 更新日期: 2023-03-20
中文题目：CA-CGNet：组件感知胶囊图神经网络的非刚性形状匹配方法
论文题目：CA-CGNet: Component-aware Capsule Graph Neural Network for Non-rigid Shape Correspondence
录用期刊/会议：【Applied Sciences】 JCR Q2
原文DOI：【app13053261】
原文链接：https://doi.org/10.3390/ app13053261
录用/见刊时间：2023.3.2
作者列表：
1）连远锋 中国石油大学（北京）信息科学与工程学院 计算机系教师
2）陈梦琪 中国石油大学（北京）信息科学与工程学院 计算机科学与技术专业 硕21
摘要:
三维非刚性形状匹配在计算机图形学、计算机视觉和相关领域中具有重要意义。由于存在局部特征互异性，三维非刚性物体姿态改变时会导致异向形变。现有的非刚性形状匹配方法在增强模型鲁棒性的同时通常会导致准确率下降。为此，本文设计了一个组件感知的胶囊图网络（CA-CGNet），基于组件约束的嵌入空间特征来提高三维非刚性形状匹配的精度。首先，采用动态聚类策略对过分割生成的黎曼流形子面片进行分类，减少表面网格噪声干扰。然后，针对路由胶囊之间的嵌入关系问题，设计了一种组件感知的胶囊图路由来描述胶囊之间的拓扑关系，将胶囊视为图网络中的节点，并通过组件信息来约束节点间的连接关系。最后，在功能函数中嵌入组件对约束，并给出了基于组件的语义损失函数，满足同方向和对称方向的等距匹配要求。实验结果表明，CA-CGNet与其他方法相比提高了10.21%，该方法在FAUST、SCAPE、TOSCA和KIDS数据集上具有较好的准确性和泛化性。
设计与实现:
首先采用过分割方法将三维网格分割成多个子面片，采用动态聚类策略将子面片进行合并。为了获取局部姿态细节，采用组件感知的胶囊图路由来充分描述胶囊之间的关系。然后通过多层注意力机制获取不同层次的图嵌入，以提高特征的表达能力。最后, 在函数映射中引入组件对约束, 并提出嵌入组件的语义损失函数, 以提高形状匹配的准确性和鲁棒性。
1、CA-CGNet框架
组件感知胶囊图神经网络框架，如图1所示。这里采用动态聚类将过分割子面片进行合并，基于Hausdorff距离构建组件对以形成局部细节约束。为了进一步提高特征表达能力，构造了组件感知图路由算法，通过组件感知图神经网络学习同层中胶囊之间的关系。然后设计基于组件约束的函数映射并将组件约束作为损失函数的正则项，以获取更具鲁棒性的非刚性三维形状匹配。
图1 组件感知胶囊图神经网络结构
2、多层注意力机制
考虑到不同层次图嵌入的作用不一致性，这里引入一种多层注意机制，将不同层次的图嵌入结合起来，得到最终的输出结果，如图2所示。
图2 多层注意力模块
3、组件感知图路由算法
本文提出了一种基于组件感知的图路由算法，利用组件约束将主要胶囊转换为高质量的图嵌入，从而更好地保持模型的局部姿态，如算法1所示。
实验结果及分析:
表1 四个数据集上不同聚类数量的识别误差比较
表1给出了不同聚类数量下人体和非人体模型动态聚类的识别误差。可以看出，当聚类数量为8时，在人体模型和centaur模型上实现最小的识别误差；当聚类数量为5时，在其他非人体模型上实现最小的识别误差。
图4 组件匹配结果
图4为不同模型的组件匹配结果，左侧为同一主体不同姿态的组件的匹配结果，右侧为不同主体的组件的匹配结果。实验表明，本文方法在不同模型的组件匹配中都取得了较好的匹配效果。
表2 不同方法在原始FAUST数据集上的平均误差比较
为了比较和分析本文方法与其他方法的差异，表2展示了FMNet、Cyclic-FM、SP、3D-CODED、FARM、SURFMNet、MGCN、ResNet-LDDMM和本文方法在FAUST数据集上的精度。可以看出，本文算法的平均误差与ResNet-LDDMM相比减少了7.05％。
图5 不同方法在三个重采样数据集上的定量比较
图5给出了本文方法与FMNet、SURFMNet和MGCN在三个重采样数据集上的测地误差曲线的比较结果。实验表明，CA-CGNet在重采样的三个非刚性数据集上的性能均高于其他算法，能够获得更准确的形状对应结果。
图6 不同方法在重采样人体数据集上匹配结果可视化比较
图6展示了四种方法在人体模型上的匹配效果，图7展示了四种方法在动物模型上的匹配结果。可以看出，CA-CGNet在三维非刚性形状匹配中具有较强的鲁棒性和泛化性。
图7 不同方法在重采样非人体数据集上的匹配结果可视化比较
结论:
基于功能映射框架，本文提出了一种能有效处理非刚性变形的组件感知形状匹配网络。将胶囊作为图网络中的节点，通过组件感知图路由提取胶囊之间的语义信息。在功能映射中添加组件约束，并将基于组件的语义损失作为正则化项，本文方法可以学习到三维网格上更具有代表性的特征。在四个三维非刚性数据集上的实验从定性和定量上表明，所提方法具有较强的鲁棒性和较好的泛化能力。
作者简介:
连远锋，副教授
博士，硕士生导师。科研工作涉及图像处理与虚拟现实、机器视觉与机器人、深度学习与数字几何。同时从事遥感影像处理、数字孪生与智能机器人巡检、基于粒子的泄漏模拟与可视化等技术开发与工程应用工作。