التقسيم هو تقنية شائعة الاستخدام لتحسين الشبكات. تعتمد الطرق التقليدية على قواعد وزن ثابتة يدوية التعريف، مما يصعب من توليد شبكات أكثر دقة ذات تفاصيل مناسبة، بينما تحقق طرق التقسيم العصبية المتقدمة تقسيمًا غير خطي يتم تحفيزه بالبيانات، لكنها تفتقر إلى المتانة، ومستويات التقسيم محدودة، وتظهر تشوهات على أشكال جديدة. لحل هذه المشاكل، نقترح طريقة تحسين الشبكة العصبية (NMR)، التي تتعلم المتطلبات الهندسية من أشكال دقيقة، ثم تقوم بتحسين الشبكة الخشنة التكيفية من خلال التقسيم، وتُظهر متانة وقابلية تعميم. رؤيتنا الأساسية هي ضرورة فصل الشبكة عن المعلومات غير الهيكلية (مثل المقياس، والتدوير، والإزاحة) بحيث يتمكن التركيز على تعلم وتطبيق المتطلبات الهيكلية للرقع المحلية لإجراء تحسين تكيفي. لتحقيق ذلك، نقدم موصّف الهيكل الداخلي ومرشح عصبي تكيفي محلي. يستبعد موصّف الهيكل الداخلي المعلومات غير الهيكلية لمحاذاة الرقع المحلية، مما يُثبّت فضاء ميزات الإدخال، ويُمكّن الشبكة من استخراج المتطلبات الهيكلية بقوة. يستخدم المرشح العصبي آلية انتباه الرسم البياني لاستخلاص ميزات الهيكل المحلي، وتطبيق المعارف المكتسبة على الرقع المحلية. علاوة على ذلك، لاحظنا أن خسارة شاربونيه مقارنة بخسارة L2 تُخفف من الإفراط في التنعيم. مع هذه الاختيارات التصميمية، تحقق الطريقة المُقترحة تعلم هندسي قوي وقدرة تكيف محلية، مما يعزز التعميم للأشكال غير المعروفة ومستويات التقسيم العشوائية. تم تقييم الطريقة على مجموعة معقدة من الأشكال ثلاثية الأبعاد، وأظهرت النتائج تفوقها على طرق التقسيم الحالية من حيث جودة الهندسة. صفحة المشروع https://zhuzhiwei99.github.io/NeuralMeshRefinement.

معالجة هندسية;تحسين الشبكات;تقسيم الشبكات;تعلم التمثيل المفصول;الشبكات العصبية;انتباه الرسم البياني