德國亞琛工業大學提出DualConvMesh-Net更好處理3D網格數據
另一種可行的卷積則定義于頂點的相對位置上,但本文則重點研究那些在歐式卷積和側地線卷積下不同的區域:測地線圖卷積定義的領域是沿著表面可以通過一條邊觸及的頂點,這意味著鄰域中只包含局域測地線尺度上接近的點;而歐式圖卷積則基于歐式距離定義的鄰域,一般利用k-nn或者一定半徑內的圖結構來得到。
為了在不同層級上對網格進行處理,提出了基于池化追蹤圖(pooling trace map)的方式來對網格進行不斷簡化。其中第0級是原始的分辨率最高的層次,網格的分辨率隨著l的增加而降低。池化追蹤圖的目的是將l層的頂點通過雙射的方式映射到下一個層次l+1的頂點集合中。而后通過邊的簡化算法得到l+1層的邊,并連接得到的頂點。下圖顯示了網格的池化過程,在簡化網格的同時保持測地線鄰域。
實際過程中使用了兩種成熟的集合處理方法,Quadric Error Metrics(QEM)和Vertex Clustering(VC),結合池化追蹤圖來實現池化和上采樣的過程。

針對網格的池化過程
大規模場景分割
為了驗證方法的有效性,研究人員在S3DIS、ScanNetV2和Matterport3D等三個大規模場景分割數據集上進行了實驗。其中S3DIS來自斯坦福大學,包含六個大規模的室內場景,共三棟不同樓房內的271個房間和13類語義標簽;ScanNetv2則包含了種類豐富的室內場景和對應的重建表面、紋理網格、基準語義標注等,其中包含了20個語義分類;Matterport3D包含了90個建筑尺度的RGB-D掃描結果和21個類別標注。
通過充分訓練后,下表顯示了本文方法的性能。在ScanNet數據和S3DIS數據集上,本方法得到了較好的結果,超過了現有的圖卷積方法。

最新活動更多
- 1 AI狂歡遇上油價破百,全球股市還能漲多久? | 產聯看全球
- 2 OpenAI深夜王炸!ChatGPT Images 2.0實測:中文穩、細節炸,設計師慌了
- 3 6000億美元估值錨定:字節跳動的“去單一化”突圍與估值重構
- 4 Tesla AI5芯片最新進展總結
- 5 連夜測了一波DeepSeek-V4,我發現它可能只剩“審美”這個短板了
- 6 熱點丨AI“瑜亮之爭”:既生OpenClaw,何生Hermes?
- 7 AI界的殺豬盤:9秒刪庫跑路,全員被封號,還繼續扣錢!
- 8 2026,人形機器人只贏了面子
- 9 DeepSeek降價90%:價格屠夫不是身份,是戰略
- 10 AI Infra產業鏈卡在哪里了?



分享













