서브디비전은 널리 사용되는 메시 세분화 기술이다. 전통적인 방법은 고정된 수작업 정의 가중치 규칙에 의존하여 적절한 세부 사항을 갖는 더 정밀한 메시 생성을 어렵게 한다. 반면, 고급 신경망 서브디비전 방법은 데이터 기반 비선형 서브디비전을 구현하지만 견고성이 부족하고, 서브디비전 수준이 제한되며, 새로운 형상에서 아티팩트가 나타난다. 이러한 문제를 해결하기 위해 우리는 정교한 형상에서 기하학적 사전 지식을 학습한 후 서브디비전을 통해 거친 메시를 적응적으로 세분화하고 견고한 일반화 능력을 보여주는 신경망 메시 세분화 (NMR) 방법을 제안한다. 우리의 핵심 통찰은 네트워크를 스케일, 회전, 이동과 같은 비구조적 정보에서 분리하여 국소 패치의 구조적 사전 지식을 학습하고 적용하는 데 집중할 수 있도록 하는 것이다. 이를 위해 내재적 구조 기술자와 국소 적응 신경 필터를 도입한다. 내재적 구조 기술자는 비구조 정보를 제외하여 국소 패치를 정렬하고 입력 특성 공간을 안정화하여 네트워크가 구조 사전 지식을 견고하게 추출할 수 있게 한다. 신경 필터는 그래프 어텐션 메커니즘을 사용하여 국소 구조 특징을 추출하고 학습된 사전 지식을 국소 패치에 적용한다. 또한 L2 손실과 비교하여 Charbonnier 손실이 과도한 부드러움을 완화할 수 있음을 관찰했다. 이러한 설계 선택을 결합하여 제안된 방법은 견고한 기하학 학습과 국소 적응 능력을 획득하여 미지의 형상과 임의의 세분화 수준에 대한 일반화 능력을 향상시킨다. 복잡한 3D 형상 집합에서 평가한 결과, 본 방법이 기존 서브디비전 방법보다 기하학적 품질면에서 우수함을 보여준다. 프로젝트 페이지 https://zhuzhiwei99.github.io/NeuralMeshRefinement.

기하학 처리;메시 세분화;메시 서브디비전;분리 표현 학습;신경망;그래프 어텐션