본 논문에서는 심한 비강체 변형과 부분적인 일치 문제를 겪는 입력 형태 간의 3D 형태 정합을 위한 새로운 학습 기반 프레임워크를 제안합니다. 핵심 아이디어는 심층 학습 기반 형태 매칭 네트워크에 의해 학습된 신경 특징을 반복적인 기하학적 형태 정합 파이프라인에 통합하는 것입니다. 신경 특징은 공간 특징(예: 좌표)보다 더 정확하고 의미론적으로 풍부한 대응점 추정을 제공하며, 큰 비강체 변형이 있는 경우에 중요합니다. 또한, 대응점은 중간 정합에 따라 동적으로 업데이트되고 일관성 사전 정보에 의해 필터링되어 전체 파이프라인의 강건성을 높입니다. 제한된 변동성을 가진 수십 개의 학습 형태만으로도 다양한 설정에서 비강체 점 구름 매칭 및 부분 형태 매칭의 여러 벤치마크에서 최첨단 결과를 달성하며, 심각한 외적 및 내적 변형을 겪는 보이지 않는 어려운 형태 쌍 간의 고품질 대응점을 제공합니다. 기존의 정합 방법이나 내재적 방법은 이러한 경우에 효과적이지 않습니다.
