Laplacian2Mesh：基于拉普拉斯算子的网格理解
计算机视觉与模式识别
2023-03-17 v2 图形学
机器学习
摘要
几何深度学习在计算机图形学中引发了人们对执行形状理解任务（如形状分类与语义分割）的日益关注。当输入为多边形曲面时，人们不得不受制于不规则的网格结构。受几何谱理论启发，我们提出 Laplacian2Mesh，一种新颖且灵活的卷积神经网络（CNN）框架，用于处理不规则三角网格（顶点可具有任意价）。通过将输入网格曲面映射到多维拉普拉斯-贝尔特拉米空间，Laplacian2Mesh 使人们能够直接使用成熟的 CNN 执行形状分析任务，而无需处理网格结构的不规则连通性。我们进一步定义了一种网格池化操作，使得网络感受野得以扩展，同时保留原始顶点集及其之间的连接。此外，我们引入了通道自注意力模块以学习特征成分各自的权重。Laplacian2Mesh 不仅将几何与网格结构的不规则连通性解耦，还能更好地捕捉对形状分类与分割至关重要的全局特征。在各种数据集上的大量测试证明了 Laplacian2Mesh 的有效性与高效性，尤其是在抗噪声以完成各类学习任务的能力方面。
引用
@article{arxiv.2202.00307,
title = {Laplacian2Mesh: Laplacian-Based Mesh Understanding},
author = {Qiujie Dong and Zixiong Wang and Manyi Li and Junjie Gao and Shuangmin Chen and Zhenyu Shu and Shiqing Xin and Changhe Tu and Wenping Wang},
journal= {arXiv preprint arXiv:2202.00307},
year = {2023}
}
备注
Accepted by IEEE Transactions on Visualization and Computer Graphics (TVCG)