CAD模型神经符号距离函数的非对角Weingarten损失调度

神经符号距离函数（SDF）已成为从点云进行几何重建的强大表示方法，但它们通常需要基于梯度和曲率的正则化来抑制虚假扭曲并保持结构保真度。FlatCAD引入了非对角Weingarten（ODW）损失作为CAD曲面的高效二阶先验，以大约一半的计算成本实现了近似全Hessian正则化。然而，FlatCAD在整个训练过程中使用固定的ODW权重，这是次优的：强正则化稳定了早期优化，但抑制了后期阶段的细节恢复。我们提出了ODW损失的调度策略，该策略分配较高的初始权重以稳定优化，并逐步衰减以允许精细尺度的细化。我们研究了常数、线性、五次和步进插值调度，以及一种递增的预热变体。在ABC CAD数据集上的实验表明，时变调度始终优于固定权重。我们的方法在Chamfer距离上比FlatCAD基线实现了高达35%的改进，将调度确立为用于鲁棒CAD重建的曲率正则化的一种简单而有效的扩展。