Le subdivision est une technique largement utilisée pour le affinage de maillage. Les méthodes classiques reposent sur des règles pondérées fixes définies manuellement, ce qui rend difficile la génération de maillages plus fins avec des détails appropriés, tandis que les méthodes avancées de subdivision neuronale, bien qu’elles réalisent une subdivision non linéaire pilotée par les données, manquent de robustesse, ont des niveaux de subdivision limités, et présentent des artefacts sur de nouvelles formes. Pour résoudre ces problèmes, nous proposons une méthode de Raffinement de Maillage Neuronal (NMR) qui apprend les connaissances géométriques à partir de formes précises, puis affine de manière adaptative le maillage brut via la subdivision, démontrant une robustesse et une capacité de généralisation. Notre insight clé est qu’il est nécessaire de découpler le réseau des informations non structurées (telles que l’échelle, la rotation et la translation), afin qu’il puisse se concentrer sur l’apprentissage et l’application des connaissances structurelles des patchs locaux pour un affinage adaptatif. Pour cela, nous introduisons un descripteur de structure intrinsèque et un filtre neuronal adaptatif local. Le descripteur de structure intrinsèque exclut les informations non structurées pour aligner les patchs locaux, stabilisant ainsi l’espace de caractéristiques d’entrée, permettant au réseau d’extraire de manière robuste les connaissances structurelles. Le filtre neuronal adopte un mécanisme d’attention de graphe, extrait les caractéristiques structurelles locales et applique les connaissances apprises aux patchs locaux. De plus, nous observons que la perte de Charbonnier, comparée à la perte L2, peut atténuer le sur-lissage. Avec ces choix de conception, la méthode proposée obtient un apprentissage géométrique robuste et une capacité adaptative locale, renforçant la généralisation aux formes inconnues et à des niveaux de subdivision arbitraires. La méthode a été évaluée sur un ensemble de formes 3D complexes, montrant qu’elle surpasse les méthodes de subdivision existantes en qualité géométrique. Page du projet https://zhuzhiwei99.github.io/NeuralMeshRefinement.

Traitement Géométrique;Affinage de Maillage;Subdivision de Maillage;Apprentissage de Représentation Découplée;Réseaux de Neurones;Attention de Graphe