无监督形状对应学习中高效最优传输和功能映射的集成
原文中文，约300字，阅读约需1分钟。发表于：。计算机视觉和图形领域，使用功能映射和最优传输处理非刚性形状匹配问题，采用切片沃舍尔斯坦距离作为最优传输度量，在无监督形状匹配框架中通过功能映射正则化和源自切片沃舍尔斯坦距离的最优传输损失增强形状特征对齐，同时采用熵正则化最优传输的自适应细化过程进一步提高准确的点对点对应关系，有效地处理非刚性形状匹配，包括近等度和非等度情景，并在分割转换等后续任务中表现出卓越性能。
本文介绍了一种基于Unbalanced Optimal Transport (UOT)的新型生成模型，相比于基于OT的方法在处理噪点、稳定性和训练收敛速度等方面表现更优。实验证实了该模型的性质，并研究了UOT之间分布差异的理论上界。结果显示，该模型在CIFAR-10和CelebA-HQ-256数据集上的FID分别为2.97和5.80，优于现有基于OT的生成模型。
