用于同时计算 3D 形状直接对应与对称对应的深度函数映射

该研究针对具有左右反射内在对称性的 3D 形状匹配中，深度函数映射可能产生多个对应解的问题，提出同时计算直接对应与对称对应、并检测各形状反射内在对称性的方法。基于摘要分析，未取得论文全文。 核心机制是使用两个 Siamese networks，分别学习一致的直接描述子及其对称描述子，再结合正则化函数映射和监督损失完成对应学习。摘要将其与仅通过单个 Siamese network 寻找直接对应的方法区分开来：该方法不只选择一种匹配结果，而是显式输出两类对应，并识别每个形状自身的左右反射内在对称性。具体网络结构、正则项、监督损失形式及推理流程尚未验证。 作者报告，在 3D 形状对应和反射内在对称性检测实验中，该方法比当时的先进方法取得更准确的结果；摘要未提供数据集、划分、对照方法名称、评价指标或数值，因此尚不能判断提升幅度及适用范围。实验协议、消融及统计信息尚未验证，复现还需核对描述子构造、对应监督来源、函数映射求解与对称性评估方式。 论文的主要研究对象是 3D 几何形状，而非神经信号或 BCI。摘要未建立形状等距对应、内在对称性与 EEG 跨被试或跨通道对齐之间的具体关系，因此不将其改写为 BCI 算法贡献，也不据此提出 EEG 复现实验；已有 EEG 相关工作尚未检索确认。