Subdivision é uma técnica amplamente utilizada para refinamento de malha. Métodos clássicos dependem de regras de ponderação fixas definidas manualmente, dificultando a geração de malhas mais finas com detalhes apropriados, enquanto métodos avançados de subdivisão neural, embora realizem subdivisão não linear guiada por dados, carecem de robustez, possuem níveis limitados de subdivisão e exibem artefatos em novas formas. Para resolver esses problemas, propomos um método de Refinamento Neural de Malha (NMR) que aprende prioris geométricos a partir de formas detalhadas e em seguida refina adaptativamente a malha bruta por meio da subdivisão, demonstrando robustez e capacidade de generalização. Nosso insight fundamental é que é necessário desacoplar a rede de informações não estruturais (como escala, rotação e translação) para que possa se concentrar em aprender e aplicar os prioris estruturais dos patches locais para refinamento adaptativo. Para isso, introduzimos um descritor estrutural intrínseco e um filtro neural adaptativo local. O descritor estrutural intrínseco exclui informações não estruturais para alinhar os patches locais, estabilizando o espaço de características de entrada e permitindo que a rede extraia robustamente os prioris estruturais. O filtro neural utiliza um mecanismo de atenção gráfica para extrair características estruturais locais e aplicar o conhecimento aprendido aos patches locais. Além disso, observamos que a perda Charbonnier, em comparação com a perda L2, pode aliviar o superalinhamento. Com essas escolhas de design, o método proposto obtém aprendizado geométrico robusto e capacidade adaptativa local, reforçando a generalização para formas desconhecidas e níveis arbitrários de subdivisão. O método foi avaliado em um conjunto de formas 3D complexas, mostrando que supera os métodos de subdivisão existentes em qualidade geométrica. Página do projeto https://zhuzhiwei99.github.io/NeuralMeshRefinement.

Processamento Geométrico;Refinamento de Malha;Subdivisão de Malha;Aprendizado de Representação Desacoplada;Redes Neurais;Atenção Gráfica