Мелкозернистая сетчатая детализация - это широко используемая техника детализации сетчатой сети. Классические методы зависят от фиксированных ручных определённых взвешенных правил, сложно создать более тонкую сетку с соответствующими деталями, в то время как передовые методы нейронной детализации, хотя и реализуют данных, основанный нелинейный разбив, но лишены устойчивости, ограничены уровнем детализации и имеют артефакты на новых формах. Для решения этих проблем предлагается метод нейронной сетчатой детализации (NMR), который изучает геометрические априорные знания из тонких форм, а затем автоматически разделяет грубую сетку и демонстрирует общую эффективность. Наш ключевой аспект заключается в необходимости разделения сети от неструктурированной информации (например, масштаб, вращение и трансляция), что позволяет ей сконцентрироваться на изучении и применении локальных априорных знаний для автоматической детализации. Для этой цели внедрены внутренние структурные дескрипторы и локальные адаптивные нервные фильтры. Внутренние структурные дескрипторы исключают неструктурированную информацию для выравнивания локальных патчей, стабилизируя пространство полученных функций и позволяя сети стандартизированно извлекать априорные знания. Нервные фильтры используют механизм внимания к графу, чтобы извлечь локальные структурные особенности и применить изученные априорные знания к локальным патчам. Кроме того, было обнаружено, что по сравнению с L2 потерей, потеря Шарбонье может облегчить избыточное сглаживание. Объединяя эти дизайнерские выборы, предложенный метод получает устойчивые геометрические знания и локальную адаптивную способность, усиливает универсальность на неизвестных формах и автоматический уровень детализации. Техника была оценена на группе сложных трехмерных форм, и результаты показывают, что она превосходит существующие методы детализации в геометрическом качестве. Смотрите страницу проекта https://zhuzhiwei99.github.io/NeuralMeshRefinement.

Обработка геометрии; Улучшение сетки; Разделение сетки; Обучение разделенному представлению; Нейронные сети; Граф внимания