NASM：神经各向异性曲面网格化

本文提出了一种新的基于学习的方法 NASM，用于各向异性曲面网格化。我们的核心思想是提出一个图神经网络将输入网格嵌入高维欧几里得嵌入空间，通过高维边向量之间的点积损失来保持基于曲率的各向异性度量。这可以大幅减少计算时间并提高可扩展性。然后，我们提出一种新颖的特征敏感重网格化方法，在生成的高维嵌入上自动捕获尖锐几何特征。我们定义了一个高维法线度量，然后推导了关于高维质心 Voronoi 镶嵌（CVT）优化的自动微分，结合法线度量，以同时保持几何特征和原始三维形状中表现出的曲率各向异性。据我们所知，这是首次提出深度学习框架和大规模数据集来为三维各向异性曲面网格化构建高维欧几里得嵌入空间。实验结果在 Thingi10K 数据集上的大量曲面模型上评估并与各向异性曲面网格化领域的最先进方法进行了比较，同时在 Multi-Garment Network 数据集和 FAUST 人体数据集上的大量未见三维形状上也进行了测试。