GNNRL-Smoothing: 用于网格平滑的无先验强化学习模型
机器学习
2024-10-29 v1 人工智能
计算机视觉与模式识别
摘要
网格平滑方法可以通过消除畸变单元来提高网格质量，从而改善仿真中的收敛性。为了平衡传统网格平滑过程的效率与鲁棒性，以往的方法采用了监督学习和强化学习来训练智能平滑模型。然而，这些方法严重依赖带标签的数据集或先验知识来指导模型的学习。此外，它们在改善网格连通性方面的能力有限，往往限制了平滑的有效性。在本文中，我们首先系统分析了近期智能平滑方法的学习机制，并提出了一种用于智能网格平滑的无先验强化学习模型。我们提出的模型将图神经网络与强化学习相结合，实现了一个智能节点平滑智能体，并首次引入了网格连通性改善智能体。我们将网格优化形式化为马尔可夫决策过程，并在没有任何先验数据或知识的情况下，使用 Twin Delayed Deep Deterministic Policy Gradient 和 Double Dueling Deep Q-Network 成功训练了这两个智能体。我们在二维和三维网格上验证了所提模型。实验结果表明，我们的模型在复杂的三维表面网格上实现了保特征平滑。它还在二维网格上的智能平滑方法中取得了最先进的结果，并且比传统的基于优化的平滑方法快 7.16 倍。此外，连通性改善智能体可以有效改善网格的质量分布。
引用
@article{arxiv.2410.19834,
title = {GNNRL-Smoothing: A Prior-Free Reinforcement Learning Model for Mesh Smoothing},
author = {Zhichao Wang and Xinhai Chen and Chunye Gong and Bo Yang and Liang Deng and Yufei Sun and Yufei Pang and Jie Liu},
journal= {arXiv preprint arXiv:2410.19834},
year = {2024}
}