边收缩池化的网格变分自编码器

摘要：

目的 3D形状分析是计算机视觉和图形学的一个重要研究课题.虽然现有方法使用基于图的卷积将基于图像的深度学习推广到3维网格,但缺乏有效的池化操作限制了其网络的学习能力.针对具有相同连通性,但几何形状不同的网格模型数据集,本文利用网格简化的边收缩操作建立网格层次结构,提出了一种新的网格池化操作.方法 本文改进了传统的网格简化方法,以避免生成高度不规则的三角形,利用改进的网格简化方法定义了新的网格池化操作.网格简化的边收缩操作建立的网格层次结构之间存在对应关系,有利于网格池化的定义.新定义的池化操作有效地编码了层次结构中较粗糙和较稠密网格之间的对应关系.最后提出了一种带有边收缩池化和图卷积的变分自编码器(variational auto-encoder,VAE)结构,以探索3D形状的隐空间并用于3D形状的生成.结果 由于引入了新定义的池化操作和图卷积操作,提出的网络结构比原始MeshVAE需要的参数更少,因此可以处理更稠密的网格模型.结论 实验表明提出的方法具有更好的泛化能力,并且在各种应用中更可靠,包括形状生成、形状插值和形状嵌入.

关键词：网格生成;网格插值;变分自编码器(VAE);网格池化;边收缩

所属期刊栏目：27

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;北京市自然科学基金;英国皇家学会牛顿高级学者基金项目;中国科学院青年创新促进会项目;之江实验室开放课题基金项目

在线出版日期：2022-02-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：511-524