这篇题为《Auditing Training-Free 3D Shape Retrieval with Diffused Geodesic Moments》的论文于2026年5月27日提交至arXiv，编号为arXiv:2605.29004，由Zhicheng Du等共8位作者共同完成，属于计算机视觉与模式识别（cs.CV）以及图形学（cs.GR）方向。论文的核心主张并非单纯提出一个新的形状描述子，而是把无训练（training-free）三维形状检索中描述子的评估方式重新定义为一次“协议审计”（protocol audit）。作者指出，现有文献中报告的检索分数实际上混杂了多个相互独立的环节——局部信号的设计、归一化方式、聚合策略、码本拟合以及距离度量选择——因此在缺乏统一控制的情况下，很难对其中任一组件做出孤立、可信的评估。
为支撑这一审计视角，作者提出了扩散测地矩（Diffused Geodesic Moments，DGM）这一描述子。DGM 是一种以种子点（seed）为条件的描述方法：它先计算稀疏的隐式热响应，再把这些响应转换为类似距离的场，最后对每个顶点在多个种子与多个尺度上以低阶矩进行汇总。DGM 在论文中承担双重角色，一方面它是一个实用的非谱（non-spectral）基线方法，另一方面它也是用于隔离协议效应的实验工具，使研究者能够观察不同处理环节对最终检索分数的影响。
实验在注册后的 FAUST 基准划分（FAUST-Reg）以及 TOSCA 形状集合上进行。在聚合方式匹配的条件下，结果显示：一个基于热核签名（Heat Kernel Signature，HKS）特征构建的独立几何矩形状描述子基线（GMSD-HKS）在本实现中取得了最高分数，在两组数据上分别达到 0.621/0.820 与 0.865/0.963 的平均精度均值（mAP）与 top-1 准确率；经典方法波核签名（Wave Kernel Signature，WKS）依然是一个强力的信号表达；而 DGM 的优势主要体现在特定场景中，例如需要稀疏求解、非谱部署，或需要具有对称性信息的种子框架之时。换言之，DGM 并非在所有指标上占优，其价值在于提供了不同的权衡。
论文更重要的结论是方法论层面的：输入场与聚合协议的影响可能超过矩公式本身。这一发现提示，在比较不同描述子时，若不控制协议级联中的各环节，排名结果可能被协议差异而非方法本质所主导。为此，论文贡献了三方面内容：一是可复现的协议级联分析，二是用于检验函数映射兼容性的跨形状对齐诊断工具，三是为无训练形状描述子的设计与结果报告提出的具体建议。论文的全文以PDF及实验性HTML形式提供，DOI 经 DataCite 发放（注册尚待完成），提交版本为 v1，文件大小约2,676 KB。