.png){kind=icon}
返回
Neural mesh refinement
.png){kind=icon}
PRE
AI
DOI：10.1631/FITEE.2400344.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
细分是一种广泛应用于网格细化的技术。经典方法依赖人工定义的固定加权规则，难以生成具有适当细节的精细网格，而先进的神经细分方法虽实现了数据驱动的非线性细分，但缺乏鲁棒性，在处理新颖形状时存在细分层级受限和伪影问题。为解决这些问题，本文提出了一种神经网格细化（NMR）方法，利用从精细网格中学习到的几何结构先验，通过细分自适应地细化粗网格，展现出鲁棒的泛化能力。我们的核心见解在于，有必要将网络与尺度、旋转、平移等非结构信息解耦，使网络能专注于学习并应用局部补丁的结构先验以实现自适应细化。为此，我们引入了固有结构描述符和局部自适应神经滤波器。固有结构描述符通过排除非结构信息来对齐局部补丁，从而稳定输入特征空间，使网络能稳健地提取结构先验。所提出的神经滤波器采用图注意力机制，提取局部结构特征并将学习到的先验适配至局部补丁。此外，我们观察到Charbonnier损失相比L2损失能缓解过平滑问题。通过结合这些设计选择，我们的方法获得了稳健的几何学习能力与局部自适应能力，提升了在未见形状和任意细化层级等多样化场景中的泛化性能。我们在一组复杂的3D形状上评估了该方法，实验结果表明其在几何质量方面优于现有细分方法。项目主页见https://zhuzhiwei99.github.io/NeuralMeshRefinement。
期刊
IF:
2.9
论文数:
129
被引数:
2.5K
机构
引用论文
.png){kind=icon}
A Simple Approach to Intrinsic Correspondence Learning on Unstructured 3D Meshes在非结构化3D网格上进行内在对应学习的简单方法
PREAI
分享收藏
查看更多内容