Подразделение — это широко используемая техника уточнения сетки. Классические методы основаны на фиксированных вручную определённых правилах взвешивания, что затрудняет создание более детализированных сеток с подходящими деталями, а современные нейронные методы подразделения, реализующие нелинейное подразделение на основе данных, страдают недостатком устойчивости, ограниченным уровнем подразделения и артефактами на новых формах. Для решения этих проблем предлагается метод нейронного уточнения сетки (NMR), который обучается геометрическому априори на детализированных формах, затем адаптивно уточняет грубую сетку путём подразделения и демонстрирует устойчивую обобщаемость. Наш ключевой вывод заключается в необходимости декоррелировать сеть от неструктурной информации (например, масштаб, вращение и трансляция), чтобы она могла сосредоточиться на изучении и применении структурных априори локальных патчей для адаптивного уточнения. Для этого введены внутренние дескрипторы структуры и локальные адаптивные нейронные фильтры. Внутренние дескрипторы структуры исключают неструктурную информацию для выравнивания локальных патчей, стабилизируя пространство признаков входных данных и позволяя сети надежно извлекать структурные априори. Нейронные фильтры используют механизм графового внимания для извлечения локальных структурных признаков и применения изученных априори к локальным патчам. Кроме того, мы наблюдаем, что функция потерь Шарбонье по сравнению с L2 снижает чрезмерное сглаживание. Благодаря этим дизайнерским решениям предлагаемый метод достигает устойчивого геометрического обучения и локальной адаптивности, усиливая обобщаемость на неизвестные формы и произвольные уровни подразделения. Метод оценён на наборе сложных трёхмерных форм, результаты показывают превосходство по качеству геометрии по сравнению с существующими методами подразделения. Страница проекта https://zhuzhiwei99.github.io/NeuralMeshRefinement.

Геометрическая обработка;Уточнение сетки;Подразделение сетки;Разделённое обучение представлений;Нейронные сети;Графовое внимание