通过将网格生成相关的微分方程嵌入神经网络的损失函数中，我们提出了一种新的方法，3DMeshNet，用于三维结构化网格的生成。该方法以几何点为输入，学习参数化和计算域之间的潜在映射，并通过前向神经预测高效地输出具有用户定义的四边形 / 六面体单元数的三维结构化网格。实验表明，3DMeshNet 稳健且快速，并且与传统的网格划分方法相比，产生优越的网格，并且相对于其他基于神经网络的方法减少了高达 85% 的训练时间，将网格生成开销降低了 4 至 8 倍。

May, 2024

MeshGraphNets 是一种利用图神经网络学习网格化仿真的框架，具有自适应性和高效性，能够应用于广泛的物理系统仿真任务。

Oct, 2020

使用机器学习为出现的问题预测最佳有限元网格，从而自动生成了高质量的网格，该方法基于神经网络对标准网格生成软件进行指导。

Apr, 2020

本文提出了一种轻量级神经网络模型 GMSNet 用于智能化网格平滑，通过采用图神经网络提取节点邻居的特征并输出最佳节点位置，结合容错机制防止生成负体积单元，同时引入一种新的损失函数 MetricLoss 来消除对高质量网格的需求，实现了稳定和快速收敛，并在二维三角形网格上与常用的网格平滑方法进行比较，实验结果表明，GMSNet 具有卓越的网格平滑性能，模型参数仅为之前模型的 5%，且速度比基于优化的平滑快 8.62 倍。

Sep, 2023

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

通过本文，我们引入了一种新型的可学习网格表示方法，通过一组局部三维样本点、法线和二次误差度量（QEM）相对于底层形状的获取，我们将其称为 PoNQ。我们通过高效地利用局部二次误差的知识，直接从 PoNQ 中获取全局网格，并确保了拓扑和几何特性，使 PoNQ 网格不自相交且始终是一个边界体积。值得注意的是，我们的表示方法不依赖于正规网格，仅由目标表面进行监督，并且还能处理具有边界和 / 或锐利特征的开放表面。通过从 SDF 网格进行基于学习的网格预测，我们展示了 PoNQ 的有效性，并且在表面和边缘相关指标上超过了最近研究中的先进技术。

Mar, 2024

该研究致力于克服基于卷积神经网络的传统深度学习方法在复杂几何形状和非结构化网格方面的局限性，提出了改进图形 U-Net 体系结构的新方法，包括高斯混合模型卷积算子和噪声注入方法，这些方法使得在不同网格配置上能够准确预测流场的时空变化。研究还探讨了图形 U-Net 在转导学习和归纳学习方面的应用，并发现无池化操作的图形 U-Net 在归纳学习中表现更好，而归一化技术的选择对图形 U-Net 的性能也有显著影响。

Jun, 2024

三角网格，几何深度学习，三维网格，E (n)- 等变图神经网络（EGNNs），网格任务。

Feb, 2024

我们提出了基于图注意力网络的方法，利用场景三角网格表示来估计动态环境下的图像相机位置，通过三个组件（图神经网络、卷积神经网络和神经网络模型）的端到端训练，结合 RANSAC 算法和点云表示有效地提高了相机位置精度。

Sep, 2022

使用图神经网络在高能物理等领域中解决点云问题取得了显著进展，本文将问题提升为拓扑问题，并提出了一种注意力机制，允许在学习空间中构建图结构以处理相关性流动，从而提供了一种拓扑问题的解决方案，我们在顶夸克标记任务上测试了名为 GravNetNorm 的这种架构，并显示其标记精度具有竞争力，且使用的计算资源远少于其他可比较的模型。

Jul, 2023