Oct, 2019

LaplacianNet：基于 Laplacian 编码和汇聚的三维网格学习

PDF
TL;DR在处理 3D meshes 方面，Laplacian spectral analysis 和 Mesh Pooling Blocks（MPBs）的结合可以更好地处理表面的局部池化和全局信息聚合，并使用 Correlation Net 计算相关矩阵来进行形状分割和分类，模型表现优良。
3d mesheslaplacian spectral analysismesh pooling blocksshape segmentationclassification
发现论文，激发创造
  • 带边缘收缩池化的 Mesh 变分自编码器

    本文提出了一种基于图卷积的网格平均池化方法，使用改进型网格简化避免产生高度不规则的三角形。在此基础上，提出了一种利用边缩减池化和图卷积的自动编码器结构，能够对 3D 表面进行概率潜空间的探索，并展示了在形态生成、形态插值和形态嵌入等各种应用中其更好的泛化能力和更可靠的性能。

    Aug, 2019

  • MeshCNN: 一种具有边缘的网络

    本文介绍了使用针对三角网格而设计的卷积神经网络 MeshCNN 直接分析 3D 形状的方法，演示了任务驱动池化在应用于 3D 网格的各种学习任务中的有效性。

    Sep, 2018

  • 利用拉普拉斯池化实现可解释的稀疏图表示学习

    本研究提出了一种基于 LaPool 的 Hierarchical Graph Pooling 方法，该方法可以提高图分子的表示，有助于药物设计和有效的分子生成。这种方法已经在分子图预测和理解任务上进行了基准测试，并且表现出优于最近 GNN 的性能，同时它也在非分子任务上表现出良好的竞争力。此外，定量和定性评估证明了 LaPool 的解释性和其在药物设计中的潜在益处，并且该方法的可用性也被证明可以集成到对抗性自动编码器中，以生成有效和新颖的分子。

    May, 2019

  • 学习局部邻域结构以实现鲁棒的三维形状表示

    本文提出了一种局部结构感知的各向异性卷积操作（LSA-Conv），利用自适应加权矩阵和共享各向异性滤波器来学习三维形状数据的表示，从而实现了比现有方法更好的三维形状重构。

    Apr, 2020

  • 原始对偶网格卷积神经网络

    本文提出了一种将图形神经网络的原始 - 对偶框架扩展到三角网格上的方法，使用动态聚合机制对 3D 网格的边缘和面特征进行聚合分析，并引入一种准确的几何解释来处理网格连接的变化，并在形状分类和形状分割任务中获得与最先进技术相当或更优的性能。

    Oct, 2020

  • Mesh-MLP: 面网格分类和语义分割的全 MLP 体系结构

    本文提出了一种名为 Mesh-MLP 的新网络结构，采用多层感知器（MLPs）作为卷积模块的替代，使用层规范化（LN）对层进行归一化，通过热核特征签名（HKS）和二面角作为输入，不包含池化模块，在端到端方式下进行操作，旨在解决网格分类和语义分割问题，实验结果验证了这种全 MLP 架构的有效性。

    Jun, 2023

  • 表面网络

    本研究提出了一种名为 Surface Networks（SN）的模型，该模型通过利用三维曲面的外部微分几何属性，如 Dirac 算子的频谱来定义稳定的形状表示，并证明其对变形和离散化具有稳定性，在两项挑战性任务上展示了 SN 的高效性和多功能性，包括使用 SN 构建的变分自编码器进行时间预测。

    May, 2017

  • 基于二叉空间划分树网络的网格表示学习

    通过使用计算机图形学经典空间数据结构 BSP，我们设计了一种名为 BSP-Net 的网络模型，它能够无监督地学习表示一个 3D 形状，并通过检测一组面来重构一个多边形网格。该模型生成的网格既密封又紧凑，适合表示尖锐的几何体，并且使用更少的基本元素即可达到与其他现有方法相同的重构质量。

    Jun, 2021

  • MeT：用于三维网格语义分割的图变换器

    提出了一种基于 Transformer 以及 Laplacian 特征编码的多边形网格的语义分割方法，并在 Shape COSEG 数据集、人类分割数据集以及 ShapeNet 基准上实现了最先进的性能。

    Jul, 2023

  • MeshNet: 用于 3D 形状表示的网格神经网络

    本研究提出了一种名为 MeshNet 的 Mesh 神经网络，用于从 Mesh 数据中学习 3D 形状表达，并应用于 3D 形状分类和检索任务，并通过与其他方法的比较，证明了该方法的有效性。

    Nov, 2018