Lidiar con datos incompletos es una de las tareas más recurrentes en el análisis de datos, principalmente si la cantidad de datos faltantes es considerable. La presente investigación, propone un nuevo enfoque para la recuperación de modelos u objetos incompletos en base a la codificación poco densa de señales, el aprendizaje de diccionarios y descriptores espectrales. Este enfoque es robusto en los casos donde el modelo puede tener porciones incompletas significativas. Los conceptos de similitud y correspondencia entre modelos tridimensionales geométricos e imágenes son un caso de estudio recurrente en el área de visión computacional.La representación funcional de mapeos han estado últimamente ligadas al estado del arte de investigaciones que dan soluciona problemas como la correspondencia entre modelos no-rígido. Uno de los principales retos es encontrar un método robusto ...