La subdivisión es una técnica ampliamente utilizada para refinar mallas. Los métodos clásicos dependen de reglas ponderadas fijas definidas manualmente, lo que dificulta generar mallas más finas con detalles apropiados, mientras que los métodos avanzados de subdivisión neuronal, aunque logran subdivisión no lineal basada en datos, carecen de robustez, tienen niveles limitados de subdivisión y presentan artefactos en formas nuevas. Para resolver estos problemas, proponemos un método de Refinamiento de Malla Neuronal (NMR) que aprende priors geométricos a partir de formas detalladas y luego refina adaptativamente la malla gruesa a través de subdivisión, demostrando robustez y capacidad de generalización. Nuestra idea clave es que es necesario desacoplar la red de información no estructural (como escala, rotación y traslación) para que pueda centrarse en aprender y aplicar los priors estructurales de los parches locales para un refinamiento adaptable. Para ello, introducimos un descriptor de estructura intrínseca y un filtro neuronal adaptativo local. El descriptor de estructura intrínseca excluye información no estructural para alinear los parches locales, estabilizando el espacio de características de entrada y permitiendo que la red extraiga de manera robusta los priors estructurales. El filtro neuronal utiliza un mecanismo de atención de grafos para extraer características estructurales locales y aplicar los priors aprendidos a los parches locales. Además, observamos que la pérdida Charbonnier en comparación con la pérdida L2 puede aliviar el sobre-suavizado. Con estas elecciones de diseño, el método propuesto logra un aprendizaje geométrico robusto y una capacidad adaptativa local, mejorando la generalización a formas desconocidas y niveles arbitrarios de subdivisión. Se evaluó el método en un conjunto de formas 3D complejas, mostrando que supera en calidad geométrica a los métodos de subdivisión actuales. Página del proyecto https://zhuzhiwei99.github.io/NeuralMeshRefinement.

Procesamiento Geométrico;Refinamiento de Mallas;Subdivisión de Mallas;Aprendizaje de Representación Desacoplado;Redes Neuronales;Atención de Grafos