Neuronale Maschenverfeinerung

Zhiwei ZHU ,  

Xiang GAO ,  

Lu YU ,  

Yiyi LIAO ,  

Abstract

Die feine Maschenunterteilung ist eine weit verbreitete Maschenverfeinerungstechnik. Klassische Methoden sind abhängig von festgelegten, manuell definierten gewichteten Regeln und schwer zu erzeugen ein feineres Netz mit angemessenen Details, während fortgeschrittene neuronale Unterteilungsmethoden, obwohl sie eine datenbasierte nichtlineare Verfeinerung erreichen, an Robustheit fehlen, auf Unterteilungsebene begrenzt sind und Artefakte auf neuen Formen aufweisen. Zur Lösung dieser Probleme wird eine Methode zur neuralen Maschenverfeinerung (NMR) vorgeschlagen, die geometrische Apriori von feinen Formen lernt, dann automatisch das grobe Netzwerk verfeinert und eine robuste Generalisierung zeigt. Unser Schlüsselaspekt besteht in der Notwendigkeit, das Netzwerk von unstrukturierten Informationen (wie Skalierung, Rotation und Translation) zu entkoppeln, um es auf das Lernen und Anwenden lokaler Apriori für die automatische Verfeinerung zu konzentrieren. Hierzu werden innere Strukturdeskriptoren und lokale adaptive neuronale Filter eingeführt. Innere Strukturdeskriptoren schließen unstrukturierte Informationen aus, um lokale Patches auszurichten, stabilisieren den Eingabe-Feature-Raum und ermöglichen es dem Netzwerk, robust geometrische Apriori zu extrahieren. Neuronale Filter verwenden einen graphischen Aufmerksamkeitsmechanismus, um lokale strukturelle Merkmale zu extrahieren und die gelernten Apriori-Kenntnisse auf lokale Patches anzuwenden. Darüber hinaus haben wir beobachtet, dass im Vergleich zum L2-Verlust der Charbonnier-Verlust das übermäßige Glätten mildern kann. Durch die Kombination dieser Gestaltungswahlmöglichkeiten erhält die vorgeschlagene Methode eine robuste geometrische Lern- und lokale adaptive Fähigkeit, stärkt die Generalisierung zu unbekannten Formen und automatischen Verfeinerungsebenen. Die Technik wurde auf einer Gruppe komplexer dreidimensionaler Formen bewertet, und die Ergebnisse zeigen, dass sie in Bezug auf die geometrische Qualität den aktuellen Verfeinerungsmethoden überlegen ist. Sehen Sie sich die Projektseite an https://zhuzhiwei99.github.io/NeuralMeshRefinement.

Keywords

Geometrieverarbeitung; Maschenverfeinerung; Maschensubdivision; Entwirrte Repräsentationslernen; Neuronale Netze; Graphen-Aufmerksamkeit

READ MORE