La subdivision de maillage fine est une technique de raffinement de maillage largement utilisée. Les méthodes classiques dépendent de règles pondérées fixées à la main, difficiles à générer un maillage plus fin avec des détails appropriés, tandis que les méthodes de subdivision neurale avancées, bien qu'elles réalisent un raffinement non linéaire basé sur les données, manquent de robustesse, sont limitées en niveau de subdivision et présentent des artefacts sur de nouvelles formes. Pour résoudre ces problèmes, une méthode de raffinement neurale de maillage (NMR) est proposée, qui apprend des a priori géométriques à partir de formes fines, puis raffine automatiquement le maillage grossier et montre une généralisation robuste. Notre point de vue clé est la nécessité de désolidariser le réseau des informations non structurées (telles que l'échelle, la rotation et la translation) pour lui permettre de se concentrer sur l'apprentissage et l'application d'aprioris locaux pour le raffinement automatique. A cette fin, des descripteurs de structure interne et des filtres neuronaux adaptatifs locaux sont introduits. Les descripteurs de structure interne excluent les informations non structurées pour aligner les patchs locaux, stabilisant ainsi l'espace des caractéristiques d'entrée et permettant au réseau d'extraire robustement des aprioris structuraux. Les filtres neuronaux utilisent un mécanisme d'attention graphique pour extraire des caractéristiques structurales locales et appliquer les connaissances a priori apprises aux patchs locaux. De plus, nous avons observé que par rapport à la perte L2, la perte Charbonnier pouvait atténuer le lissage excessif. En combinant ces choix de conception, la méthode proposée obtient une capacité d'apprentissage géométrique robuste et une adaptabilité locale, renforce la généralisation sur des formes inconnues et des niveaux de raffinement automatiques. La technique a été évaluée sur un ensemble de formes tridimensionnelles complexes, et les résultats montrent qu'elle est supérieure aux méthodes de raffinement existantes en termes de qualité géométrique. Voir la page du projet https://zhuzhiwei99.github.io/NeuralMeshRefinement.

Traitement géométrique ; Raffinement de maillage ; Subdivision de maillage ; Apprentissage de la représentation désenchevêtrée ; Réseaux neuronaux ; Attention graphique