InfoGNN: 基于图神经网络的网格端到端深度学习
计算机视觉与模式识别
2025-03-05 v1 机器学习
摘要
3D 模型在各行各业中被广泛使用，由于其独特优势，网格数据已成为 3D 建模不可或缺的一部分。网格数据可以提供对丰富 3D 信息的直观和实用表达。然而，其无序、不规则的数据结构和复杂的表面信息使得直接应用深度学习模型具有挑战性。传统的网格数据处理方法通常依赖于具有许多局限性的网格模型（如流形），这限制了它们在现实中的应用范围，且未能充分利用网格模型的优势。本文提出了一种以图神经网络（GNN）为中心、用于解决网格模型中深度学习挑战的新型端到端框架，命名为 InfoGNN。InfoGNN 将网格模型视为图，使其能够高效处理不规则网格数据。此外，我们提出了 InfoConv 和 InfoMP 模块，利用点的位置信息，充分利用面法线、二面角等静态信息以及动态全局特征信息来充分利用各类数据。此外，InfoGNN 是一个端到端框架，我们简化了网络设计以使其更高效，为复杂 3D 模型的高效深度学习铺平了道路。我们在几个公开数据集上进行了实验，结果表明 InfoGNN 在网格分类和分割任务中取得了优异的性能。
引用
@article{arxiv.2503.02414,
title = {InfoGNN: End-to-end deep learning on mesh via graph neural networks},
author = {Ling Gao and Zhenyu Shu and Shiqing Xin},
journal= {arXiv preprint arXiv:2503.02414},
year = {2025}
}