サブディビジョンは広く使われているメッシュ細分化技術です。従来の方法は固定された手作業で定義された重み付けルールに依存しており、適切な詳細を持つより細かなメッシュを生成することが困難です。一方、先進的な神経サブディビジョン手法はデータ駆動の非線形サブディビジョンを実現していますが、堅牢性に欠け、サブディビジョンレベルが限定的であり、新しい形状ではアーティファクトが発生します。これらの問題を解決するために、精細な形状から幾何学的な事前情報を学習し、その後サブディビジョンによって粗いメッシュを適応的に細分化し、堅牢な一般化能力を示す神経メッシュリファインメント（NMR）手法を提案します。我々の重要な洞察は、ネットワークをスケール、回転、並進などの非構造的情報から分離し、局所パッチの構造的事前情報の学習と適用に集中できるようにする必要があることです。そのために、内在的な構造記述子と局所適応的神経フィルターを導入します。内在的構造記述子は非構造的情報を除外して局所パッチを整列させ、入力特徴空間を安定化させることで、ネットワークが堅牢に構造的事前情報を抽出できるようにします。神経フィルターはグラフアテンション機構を採用し、局所構造特徴を抽出し、学習した事前情報を局所パッチに適用します。さらに、L2損失と比較してCharbonnier損失が過度な平滑化を軽減できることを観察しました。これらの設計選択を組み合わせることで、本手法は堅牢な幾何学学習と局所的適応能力を獲得し、未知の形状や任意の細分レベルに対する一般化能力を強化します。複雑な3D形状群で評価した結果、本手法は既存のサブディビジョン手法よりも幾何学的品質で優れていることが示されました。プロジェクトページ https://zhuzhiwei99.github.io/NeuralMeshRefinement.

幾何処理;メッシュ細分化;メッシュサブディビジョン;デコップリング表現学習;ニューラルネットワーク;グラフアテンション