.png){kind=icon}
返回
Learning Sparse Singularities for Cross Field Design
.png){kind=icon}
PRE
AI
DOI：10.1145/3787520.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
设计满足美学、解剖学和数值要求的四边形网格通常需要精细的手动工作，使得四边形重新网格化成为一种设计艺术。神经网络为自动化这一过程提供了巨大潜力。然而，当前直接预测交叉场的方法无法正确处理平滑交叉场的间断行为：即使奇点基本不变，微小的形状变化也可能导致交叉场发生显著变化。因此，当结合多个奇点实例时，此类方法往往产生非平滑输出。为避免这种间断性，我们提出学习稀疏奇点，包括其位置和索引，然后由非神经网络的常规方法平滑连接它们。奇点和常规顶点比例失衡给学习带来重大挑战。我们将其转换为测地距离场和过采样索引场以解决这一问题。这种精心设计的两阶段策略满足了若干关键要求，如坐标不变性和镶嵌不敏感性，同时能够生成具有不同拓扑结构的平滑交叉场。通过将焦点从直接学习交叉场转向学习奇点，我们还简化了数据集准备过程，仅需稀疏注释。
Keyword:
Neural network
cross field
quad mesh
singularity
topology
landmark detection
期刊
IF:
9.5
论文数:
4.7K
被引数:
3.6W
机构
引用论文
A systematic study of the class imbalance problem in convolutional neural networks卷积神经网络中类不平衡问题的系统研究.png)
NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏分享收藏
查看更多内容