MeshConv3D：用于三角形 3D 网格的高效卷积与池化算子
计算机视觉与模式识别
2025-01-08 v1 图形学
摘要
卷积神经网络 (CNN) 在 various 2D 图像分析任务中发挥了关键作用，包括计算机视觉、图像索引与检索或语义分类。将 CNN 扩展到 3D 数据（如点云和 3D 网格）由于基本的卷积与池化算子需要针对不规则连通性问题进行完全重新审视和重新定义而面临重大挑战。本文引入了 MeshConv3D，一种集成专用卷积和基于面折叠的池化算子的 3D 网格专用方法。MeshConv3D 可直接处理任意拓扑结构的网格，无需先进行重网格化或转换。为验证我们的方法， 我们考虑了一个语义分类任务。在三个不同的基准数据集上的实验结果表明，所提出的方法能够实现等效或更优的分类效果，同时最小化相关的内存占用和计算负载。
引用
@article{arxiv.2501.03830,
title = {MeshConv3D: Efficient convolution and pooling operators for triangular 3D meshes},
author = {Germain Bregeon and Marius Preda and Radu Ispas and Titus Zaharia},
journal= {arXiv preprint arXiv:2501.03830},
year = {2025}
}