基于形状描述符和几何注册的传统方法通常会在模棱两可的特征上遇到较低的精度。最近的数据驱动方法固有地受到训练模型的表示和学习能力的影响。为了解决这个问题,我们提出了一种受扩散模型和变压器启发的新颖方法。我们的方法利用了它们的全局特征相关性和姿势先前的学习能力,将通过变压器通过变压器进行扩散来预测每个片段的姿势参数。我们在断裂的对象数据集上评估我们的方法,并与最新方法相比表现出卓越的性能。我们的方法提供了一种有前途的解决方案,可用于重新组装准确,稳健的裂缝对象,以复杂的形状分析和组装任务来推进该领域。
主要关键词