学习稀疏奇异点以实现跨领域设计

《ACM Transactions on Graphics》:Learning Sparse Singularities for Cross Field Design

【字体: 大 中 小 】 时间:2026年03月10日 来源:ACM Transactions on Graphics

编辑推荐:

  摘要 要查看此由AI生成的摘要,您必须具有高级访问权限。了解更多信息请登录。 设计一个同时满足美学、解剖学和数值要求的四边形网格,在传统方法中通常需要细致的手动工作,这使得四边形重新网格化成为一种“设计艺术”。神经网络在自动化这一过程中具有巨大潜力。然而,当前直接预测交叉场的方

  摘要
要查看此由AI生成的摘要,您必须具有高级访问权限。了解更多信息请登录。

设计一个同时满足美学、解剖学和数值要求的四边形网格,在传统方法中通常需要细致的手动工作,这使得四边形重新网格化成为一种“设计艺术”。神经网络在自动化这一过程中具有巨大潜力。然而,当前直接预测交叉场的方法无法正确处理平滑交叉场的不连续行为:即使奇点基本保持不变,微小的形状变化也可能导致交叉场发生显著变化。因此,当结合多个奇点实例时,这些方法往往会产生不平滑的输出。为了避免这种不连续性,我们提出学习稀疏的奇点(包括它们的位置和索引),然后让非神经的传统方法来平滑地连接它们。奇点和普通顶点之间的不平衡比例对学习来说是一个重大挑战。我们将其转换为测地距离场和过度采样的索引场来解决这个问题。这一精心设计的两阶段策略满足了几个关键要求,如坐标不变性和对镶嵌的不敏感性,同时能够生成具有不同拓扑结构的平滑交叉场。通过将重点从直接学习交叉场转移到学习奇点上,我们还简化了数据集准备过程,因为只需要稀疏的注释。

AI摘要 | 由AI生成的摘要(实验性)
该摘要是使用自动化工具生成的,并非由文章作者编写或审阅的。它旨在帮助发现、帮助读者评估相关性,并帮助来自相关研究领域的读者理解这项工作。它旨在补充作者提供的摘要,后者仍然是论文的主要摘要。完整文章是权威版本。点击此处了解更多信息。点击此处评论该摘要的准确性、清晰度和实用性。这样做将有助于改进和未来重新生成的版本。要查看此由AI生成的通俗语言摘要,您必须具有高级访问权限。

1 引言
四边形网格在有限元分析、计算机图形和计算机辅助设计中得到了广泛使用。近年来,在自动生成此类网格方面取得了重大进展,特别是基于交叉场的方法 [Ray et al. 2008;, 2009; Bommes et al. 2009;, 2013; Myles and Zorin 2013; Ebke et al. 2014;, 2016; Fang et al. 2018; Farchi and Ben-Chen 2018; Ma et al. 2025]。这些方法主要致力于生成具有更少奇点、更高元素质量和最小豪斯多夫距离的四边形网格,同时适应各种控制要求,如大小和方向。

然而,在自动化生成和特定领域定制之间仍然存在一个关键差距。在后者的上下文中,目标从优化低级几何保真度转变为强制执行高级的、特定领域的模式。例如:
- 在游戏和电影行业,网格通常遵循严格的美学和解剖学规范,以确保正确的变形和视觉吸引力 [Hu et al. 2012; Takayama et al. 2014; Dielen et al. 2021; Zhou et al. 2018]。
- 在制造领域,特殊的四边形图案(如填充层)对于减少模拟过程中的计算错误至关重要 [Cherchi et al. 2019]。此外,根据底层物理(如流体流线)调整网格对于更好的数值稳定性和准确性也是必不可少的。

传统算法不太适合纳入这些高级的、往往是主观的约束。虽然可以通过手动编辑网格拓扑来解决问题 [Peng et al. 2011; Feng et al. 2021; Bommes et al. 2011; Verma and Suresh 2017; Docampo-Sanchez and Haimes 2019],但这既费力又效率低下。因此,迫切需要超越生成阶段,而是自动学习和应用这些高级的特定领域模式。

作为早期尝试,Dielen等人 [2021] 首次提出以监督的、端到端的方式学习交叉场。虽然当推广到具有相同拓扑的相似形状时他们获得了令人满意的结果,但这种方法未能满足几个关键要求:
(1) 坐标不变性:结果场应独立于坐标系,无论是全局的(全局刚性变换)还是局部的(在离散面上选择局部切线基)。
(2) 镶嵌不敏感性:结果场应在同一基础形状的不同高质量镶嵌中保持一致,而不是对特定的三角剖分敏感。
(3) 奇点泛化:该方法应能够准确识别并正确放置具有不同实例和位置的特定领域奇点模式,前提是这些奇点足够分开以便区分。
(4) 平滑性:场必须保持全局平滑性,特别是在结合不同模式并强制执行硬约束(如边界对齐)时(图1)。

我们的两阶段方法克服了端到端交叉场回归的局限性。(a) 我们没有使用单个神经网络,而是将问题分解为两个部分:一个神经网络首先预测稳定的、连续的奇点模式,然后一个分析方法重建完整的交叉场。(b) 这种分解至关重要,因为形状的连续变化(旋转内部边界及其奇点)由于其4对称性会导致最优交叉场的不可避免的不连续跳跃。虽然奇点位置的变化是平滑的且易于学习,但对于单个神经网络来说,处理形状相关的不连续性极具挑战性。我们的方法通过网络学习连续部分,将处理不连续性的任务留给第二阶段的确定性分析算法 [Crane et al. 2010]。(c-f) 我们使用参数化的合成齿轮数据集展示了我们方法泛化特定领域奇点模式的能力。使用相同的训练形状 (c, d),我们基于不同的注释规则 (A 和 B) 构建了两个独立的数据集,并训练了两个相应的模型。当应用于相同的非参数化(离散网格)测试形状 (e, f) 时,这些模型会应用它们各自的规则,生成符合训练期间学习到的特定拓扑逻辑的交叉场。

在后续工作中,Gao等人 [2024] 通过使用内在神经网络满足了要求1和2。虽然这些属性是大多数传统非神经算法固有的,但在基于学习的上下文中实现它们是使神经方法更加可靠的重要一步。然而,他们的方法范围仍然有限;他们的实验仅关注将固定拓扑转移到相似形状上,并没有尝试解决要求3和4的更复杂挑战,我们在第5节中的结果也证实了这一缺陷。

我们认为,与要求3和4相关的挑战源于直接端到端策略的固有局限性,该策略试图直接学习每个样本点的交叉场。如图1(b)所示,确保平滑性和边界对齐使得交叉场对形状的微小变化非常敏感。这种敏感性通常会导致交叉场发生显著变化,即使奇点本身几乎保持不变。这种不可避免的不连续性源于4对称性交叉场内匹配的非可微和间断性 [Ray et al. 2008]。虽然传统的分析方法使用专门的数值技术来管理这些不连续性,但在连续的端到端神经框架中捕捉这种不连续行为特别具有挑战性,并对网络设计和训练提出了重大挑战 [Belhe et al. 2023]。如果没有处理固有不连续性的机制,神经网络在组合多个奇点模式时可能会简单地对不同实例的图案进行平均,从而导致不平滑的伪影。

我们的关键见解是,尽管全局交叉场相对于形状可能是不稳定的和不连续的,但其底层奇点却连续且可预测。因此,我们提出了一种两阶段策略:我们首先学习其稳定组件:奇点的索引和位置,然后使用分析方法重建交叉场。在第一阶段,我们训练一个神经网络来预测稀疏的奇点集,因此不再需要用于编码交叉场的局部切线基。为了完全满足要求1、2和3,我们使用了内在的DiffusionNet [Sharp et al. 2022],从而减轻了网格镶嵌的敏感性。在第二阶段,我们使用平凡的连接 (TCs) [Crane et al. 2010] 从预测的奇点重建密集的交叉场。这一阶段有效地处理了4所需的不连续行为,同时保持了第一阶段确立的理想属性。这种两阶段策略还有一个额外的好处:我们使用仅包含奇点注释的形状作为训练集,而不是依赖交叉场本身,这意味着可以使用简单的规则在参数化形状上创建训练集,然后在推理阶段将学到的规则应用于非参数化输入形状(见第4.3节)。

然而,由于普通顶点数量庞大而奇点数量较少,学习稀疏的奇点集并非易事。简单的训练方法可能会导致模型将所有点都分类为普通顶点,从而获得非常低的召回率 [He and Garcia 2009]。为了缓解这一问题,我们采用了对奇点顶点的过度采样,这是一种针对不平衡数据集的有效技术 [Buda et al. 2018]。虽然过度采样确保了网络学会识别奇点,但它也有代价:网络的原始输出会在真实奇点周围形成一堆正面预测,掩盖了它们的精确位置。一个直接的解决方案是将这些预测云聚类,并使用每个簇的质心作为精确位置。然而,这种方法无法区分具有相同索引的相邻奇点,错误地将它们合并为一个点。为了解决这个问题,我们从实例分割框架中获得了灵感,并学习了一个辅助距离场 [Jiang et al. 2020]。然后可以从该场中稳健地提取真实的奇点作为局部最小值,自然地将紧密排列的实例分开。简而言之,我们的方法学习了两个辅助场:一个过度采样的奇点索引场来过滤出奇点候选者及其索引;以及一个测地距离场来精确定位每个奇点。可选地,还可以同时回归一个大小场,以进一步提高可积分性和网格质量。

总之,文章中提出的两阶段策略很好地捕捉了交叉场的不连续行为,使得数据集生成过程轻量化,并且基于场的奇点表示解决了不平衡问题。这两个技术点使我们的方法满足了上述4个要求。

2 相关工作
分析性的交叉场优化方法专注于从形状或手动约束生成平滑的向量场。为了增强可控性,后期编辑方法尝试在优化后改进四边形拓扑。最近,出现了神经交叉场回归方法,使用深度学习技术自动预测具有多尺度语义信息的交叉场。以下部分依次介绍了这些方法。

2.1 交叉场优化
4-Rosy场或交叉场是一种可微的表示,用于指导四边形网格的创建 [Ray et al. 2008; Bommes et al. 2009]。在局部,三角形上的交叉场由局部切线基础内的角度θ表示。由于其四重对称性,旋转kπ/2 (k∈Z) 会产生相同的交叉场。这种对称性导致了两个关键属性:首先,测量相邻面上的场之间的差异需要找到一个最优的整数匹配k,这导致了一个复杂的混合整数问题 [Ray et al. 2008]。然后,围绕一个顶点累积旋转差异可以揭示总旋转为iπ/2 (i∈Z) 的奇点,通常用分数索引i/4表示,与一般的N-Rosy表示法兼容。在这里,由于我们关注4-Rosy情况,我们在后续部分只讨论整数索引i,详见图2进行说明。为了清晰起见,我们使用“交叉场”专门指正交的、各向同性的4-Rosy场,以区别于更一般的(有时是非正交的)“框架场”。

图2. 交叉场和奇点的概念。(a) 交叉场可以由相对于参考边e诱导的切线基础 (X,Y) 的角度θ+kπ/2 (k∈Z) 在局部表示。(b) 不同索引(例如,索引±1和±2)周围的流线。

交叉场优化的核心挑战是处理不连续性。这自然是由于4对称场的基于整数的和非可微匹配造成的 [Ray et al. 2008]。传统的分析方法以各种方式应对这一挑战。MIQ [Bommes et al. 2009] 使用整数变量表示不连续性,并提出了一种精心设计的混合整数求解器来共同优化场和拓扑。相比之下,TC [Crane et al. 2010] 从给定的奇点配置重建交叉场,以手动修正整数变量。然而,这需要一个有效的奇异配置作为输入,而这并不容易获得,需要仔细的手动设计。Diamanti等人[2015]通过使用四阶多项式的系数来表示4-Rosy的不确定性,以消除整数变量,但代价是非凸性,这使得它高度依赖于初始化。Kn?ppel等人[2013]提出了一种对原始非凸问题的凸松弛方法,通过移除单位范数约束,然后将结果场归一化到单位长度。Farchi和Ben-Chen[2018]提出完全消除连续变量,用仅包含整数的等效公式替代,这不需要奇异配置作为输入,但计算成本较高。鉴于这种复杂性,我们在第二阶段采用了TC算法[Crane等人2010]来从学习到的奇异配置重建交叉场。这种方法有两个主要优点:(1)它是凸的且计算效率高,只需要解线性系统;(2)它使用奇异配置作为输入,这在我们的框架内更加直观且更容易学习。

2.2 奇异性编辑
由于在优化过程中控制奇异配置的挑战,已经开发了各种后处理技术。这些方法侧重于通过移动或合并冗余的奇异性来细化奇异配置。
- 减量化:奇异性通常集中在小区域内,可以频繁地被消除。减少这些区域是一个有效的方法来去除多余的奇异性[Daniels等人2008, 2009; Tarini等人2010, 2011; Xu等人2020; Lyon等人2021]。然而,这些方法计算成本较高,可能会改变底层形状,可能引入伪影。
- 编辑:已经提出了几种方法,通过手动或基于规则的操作来使用局部或全局拓扑编辑来细化奇异配置[Peng等人2011; Feng等人2021; Bommes等人2011; Verma和Suresh 2017; Docampo-Sanchez和Haimes 2019]。然而,这些方法通常是启发式的,缺乏有效处理特定领域拓扑线索的灵活性。

2.3 神经交叉场
最近的工作采用了神经网络直接从输入形状回归交叉场,使得能够结合特定领域的模式。Dielen等人[2021]在这一领域的开创性工作中引入了一个网络来回归非正交的各向异性框架场。他们的架构使用了双分支特征提取器,结合了来自PointNet风格主干网络的局部邻域特征[Charles等人2017]。虽然它们在将学习到的拓扑转移到相似形状方面有效,但他们的方法本质上是外在的,对坐标系统和网格分割非常敏感。为了解决这些问题,Gao等人[2024]提出了一个内在的向量谱网络,基于DiffusionNetSharp等人[2022]的工作。通过利用向量热[Sharp等人2019]和向量神经元[Deng等人2021]的概念,他们的方法预测的交叉场不受坐标系统的影响,并且对分割变化具有鲁棒性。然而,与Dielen等人[2021]类似,他们的实验主要集中在将单一的、固定的拓扑转移到相似形状上,并没有展示出泛化到不同拓扑的能力。Dong等人[2025b]提出了一个自监督方法来学习交叉场。与PINNs[Raissi等人2019]类似,他们使用为每个形状训练的神经网络来替代传统的数值求解器。该网络旨在最小化由关键交叉场属性(如平滑性和与主曲率的对齐)控制的能量函数。虽然这种自监督策略消除了对标记数据集的需求,但它需要耗时的、针对每个形状的训练/优化。更重要的是,其结果仅限于可以从形状本身推断出的信息,无法结合我们的监督方法旨在捕获的高层次、特定领域的知识。

3 方法
本节详细介绍了我们的完整流程。我们首先描述了神经网络,包括其架构、输入和输出。然后解释了用于从神经预测重建交叉场的分析方法。最后,我们定义了实验中使用的评估指标。

3.1 网格和场
我们将输入表示为一个2-流形三角形网格M=(V,F),其中V∈R^|V|×3,F∈Z^|F|×3表示顶点和面的集合,|V|和|F|表示它们的数量。与许多基于网格的方法[Crane等人2010; Sharp等人2022]类似,我们假设输入网格足够密集且元素质量良好。奇异性是指具有非零整数索引k的顶点,该索引对应于交叉场中的kπ/2旋转角度缺陷。为了克服奇异顶点的不平衡问题,我们的网络学习了几个辅助标量场,从中可以稳健地提取最终的奇异性,见图3:
图3. 用于奇异预测的场。(左) 地球距离场及其等高线,其中奇异性(红色球体)对应于局部最小值。(右) 过采样索引场,其中k个最近邻居的顶点的索引被分配给奇异性,以提供密集的训练信号。
- 距离场d: V→R: 我们计算每个顶点到最近奇异性的地球距离。相反,可以通过提取距离场的局部最小值来恢复奇异性位置。
- 索引场c: V→Z: 我们通过将奇异性的索引分配给其k个最近邻居来对其进行过采样。
- (可选)大小场s: F→R+: 为了增加各向异性,可以学习一个可选的大小场。当有地面真实的四边形网格时,可以从四边形中插值得到它。

3.2 网络
如图4所示,我们的网络首先使用DiffusionNet主干网络[Sharp等人2022]处理输入的顶点特征Xin∈R^|V|×k^in,以生成每个顶点的嵌入XV∈R^|V|×k^h。正如在DiffusionNet [Sharp等人2022]中讨论的,Xin的常见选择包括内在形状描述符(如Heat Kernel Signature (HKS) [Sun等人2009])或外在特征(如顶点坐标)。为了确保我们的整个流程是内在的,我们使用HKS作为输入特征。然而,如果不需要严格的内在性,也可以使用外在特征。其他谱描述符,如Wave Kernel Signature (WKS) [Aubry等人2011]或振动签名[Hildebrandt等人2012],也是可能的替代方案。从这个共享的嵌入中,使用几个并行的MLP头来回归我们的目标标量场:地球距离场d、过采样的索引场c和一个可选的大小场s(如果有监督的话),分别对应于图4中的距离回归、索引分类和大小回归块。我们从相同的嵌入中回归所有场,以利用它们之间的内在相关性。具体来说,我们对内在HKS特征使用kin=16,网络架构由8个扩散块组成,每个块的隐藏特征维度为kh=128。然后通过三个独立的MLP头处理特征嵌入来回归标量场。每个头的形状为[128,512,256,n],其中输出维度n=1对于距离和大小场,n等于索引场的奇异类数量。通过学习内在标量场,我们完全避免了任何对局部或全局坐标系统的依赖。

图4. 我们两阶段流程的概述。(阶段1:神经预测)一个内在的谱主干网络DiffusionNet [Sharp等人2022]处理输入特征(例如HKS)以产生深度特征。从这些特征中,使用独立的MLP头来回归辅助场:到最近奇异性的地球距离和过采样的奇异索引场。如果有监督,可以使用第三个头来处理大小场。(阶段2:分析重建)在后期处理阶段,我们首先从预测场中提取精确的奇异性位置。然后,TCs算法[Crane等人2010]从这些奇异性重建一个密集的交叉场。最后,使用现成的参数化方法从交叉场生成四边形网格。

3.3 评估指标
我们的网络使用混合损失函数进行训练,该函数结合了距离场、索引场和可选大小场的项:L=λgeoLgeo + λsizeLsize + λindexLindex,(1)
各个损失项定义如下,其中di, ci, si代表预测值,d^i, c^i, s^i代表真实值:Lgeo=1|V|∑i=1|V||di/(d^i+?)^-1 |Lsize=1|F|∑j=1|F||sj/(s^j+?)^-1 |Lindex=CrossEntropy(c,c^)。
对于距离场和大小场,我们使用相对误差指标,这种指标已被证明比绝对误差更有效[Dielen等人2021; Gao等人2024],并确保了各项之间的维度一致性。我们设置?=10^-2以防止除以零。对于索引场,我们使用具有非均匀类权重的Cross-Entropy损失来处理数据不平衡。1和100的权重分别分配给非奇异顶点和奇异顶点。λgeo=λindex=λsize=1用于所有实验。对于没有大小场监督的数据集,权重λsize设置为0。

3.4 交叉场重建
在我们的神经奇异预测之后,我们应用一系列非神经方法来生成四边形网格,如图4所示:
- 奇异性提取:为了识别奇异性候选者,我们使用离散的Morse-Smale复合体[Gyulassy等人2008]从预测的地球距离场中提取局部最小值,并通过持久性简化[Edelsbrunner等人2002]进行平滑处理,阈值设置为1e-2。然后根据索引场中最近的非零预测为每个候选者分配一个索引值。最后,我们通过拒绝任何不满足Poincaré-Hopf定理的预测集合来确保拓扑有效性。
- TC:有了有效的奇异集,我们通过在TC [Crane等人2010]中解决线性最小二乘系统来重建密集的交叉场,该系统受到奇异性和边界的约束。这个过程确定了场的一个全局旋转,我们通过将场与边界对齐来解决。更多细节可以在附录A中找到。
- 参数化:最后,给定交叉场和一个可选的大小场,可以使用任何现成的参数化方法生成四边形网格。我们使用开源的MIQ [Bommes等人2009]进行参数化,然后使用四边形网格提取QEx [Ebke等人2013]。

3.4 评估指标
虽然标准的网格质量指标(例如,缩放雅可比)被广泛使用,但它们本质上是局部几何度量,用于评估单个元素的变形和形状质量。这些指标往往无法捕捉数据集中嵌入的全局、特定领域的设计意图和用户可定制的样式偏好。此外,不同的参数化算法(例如MIQ)及其超参数可以显著影响这些局部指标,使得难以将奇异位置的影响与参数化选择的效果区分开来。因此,我们关注交叉场预测相对于真实值的保真度。因此,我们采用标准的角度误差指标[Dielen等人2021],测量交叉场之间的角度差异。因为我们的方法预测奇异性,我们在计算指标之前首先使用TC [Crane等人2010]将预测转换为一个密集的交叉场。在这两种方法中,由于交叉场的4对称性,相对于真实场最大角度误差为45°。因此,我们测量所有面上的平均误差。如表1所示,我们的误差低于现有方法。以随机交叉场预测的平均误差约为22.5°作为理论基线,我们的平均误差仅为它的6.5%,而其他方法的平均误差通常超过这个基线的13%。实际上,角度误差主要集中在奇异性周围的小区域内,因此图10至12和14中可视化的误差分布更好地展示了我们的改进,并突出了我们准确预测奇异性的能力。

4 数据集生成
我们方法的优越性在于从数据中学习和泛化复杂的、特定领域的先验。这一优势伴随着不可避免的挑战,即创建大规模数据集,这通常需要大量的劳动力并且需要领域专业知识。然而,据我们所知,目前还没有公开可用的、由社区或行业的专家创建的具有四边形拓扑或交叉场注释的大规模真实世界数据集。为了解决这个问题,传统学习方法[Dielen等人2021; Gao等人2024]将单个模板四边形拓扑SMPL [Loper等人2015]包裹到各种相似形状中作为特定领域的先验。然而,这种策略有固有的局限性:它只能产生一个固定的拓扑,无法泛化到不同的拓扑。[Dong等人2025; 2025b]提出了自监督方法来生成交叉场数据集,但它们无法结合无法从形状本身推断出的特定领域的先验。因此,我们采取了另一种方法,通过建模稀疏的奇异性而不是密集的交叉场。简单来说,我们创建了具有参数化形状的数据集,并应用基于规则的奇异模式来模拟特定领域的先验。这些操作几乎不需要人工干预,通过改变形状参数和规则,可以很大程度上实现自动化。在推理阶段,现实世界的形状并不是参数化的,通常由三角网格表示,但我们的训练模型可以将学到的规则推广到这些未见的形状。从这些推断出的奇点出发,将使用诸如TC [Crane等人,2010] 等分析方法生成交叉场,以用于后续应用。

4.1 从模板四边形网格转换
按照之前的工作 [Dielen等人,2021;Gao等人,2024],我们通过将单一一致的四边形拓扑结构变形到各种目标形状上来生成数据。具体来说,我们使用了SMPL模板拓扑结构 [Loper等人,2015],并将其应用于dFAUST数据集 [Bogo等人,2017],正如Dielen等人 [2021] 所做的那样。虽然这种单拓扑数据集在拓扑泛化方面存在已知限制,但它为我们的方法提供了一个基本且标准化的基准,以便与以前的技术进行对比。为了减少计算负担,我们专注于dFAUST形状最具代表性的面部区域。我们观察到原始的SMPL模板中包含过度密集且模糊的奇点簇。为了创建清晰且易于处理的真实值,我们手动简化了这一奇点配置,如图5所示。一个关键目标是确保我们用于方法的真实值数据(奇点)与用于比较方法的交叉场之间的一致性。因此,我们不是直接从原始的四边形网格插值生成交叉场(这会重新引入原始的复杂奇点模式),而是通过TC [Crane等人,2010] 从我们简化的布局中生成它。然后,真实值大小场仍然直接从原始dFAUST形状的四边形元素中插值得出。

图5. SMPL模板拓扑结构的简化。(左)面部区域的原始奇点配置过于密集且模糊。(右)我们手动简化的模式更清晰、更易于处理,同时保留了基本的拓扑特征。

4.2 合成原始数据集
为了严格测试我们的方法和现有神经方法处理不同拓扑结构的能力,我们创建了3个合成原始数据集(见图6)。这些数据集是基于“边界填充”网格风格 [Cherchi等人,2019] 设计的,该风格将奇点放置在基于规则的图案中,远离边界,以提高网格质量。我们的合成数据集测试了拓扑变化的两个关键方面:

图6. 原始数据集上的用户定义拓扑与形状驱动拓扑。第一列显示了每个数据集的基于规则的奇点注释。第二列显示了通过TCs生成的对应平滑交叉场。相比之下,第三列显示了传统方法MIQ [Bommes等人,2009] 的结果,该方法产生的拓扑完全由输入形状(和算法参数)决定,且难以定制。
- 多实例:处理同一奇点模式多次出现的能力,见PCH(图6(a)数据集,带有圆孔的平面。
- 局部刚性:处理给定奇点模式的局部旋转和偏移的能力(见图1(b)),见PEH和MEH(图6(d)和(g)数据集,带椭圆孔的平面/流形)。
对于每个数据集,我们根据关于内边界(孔)的规则自动生成了真实值奇点注释,详见附录B.1。然后,真实值交叉场(用于比较方法)是通过TC [Crane等人,2010] 从原始dFAUST形状的四边形元素中插值得到的。由于所有合成数据集都使用了全局统一的大小值。

4.3 合成CAD数据集
尽管我们的原始数据集对于测试拓扑变化非常有效,但它们并不能完全代表现实世界形状的复杂性,也无法展示一个关键能力:拓扑定制,这种能力允许根据领域知识灵活放置奇点,而不仅仅是依赖于输入形状。为了突出这一能力,我们合成了复合齿轮的数据集,复合齿轮是广泛使用的机械部件 [Budynas和Nisbett 2014]。网格化复合齿轮可以独立地将其内外部分网格化(见图7)。由于其复杂的双边界形状(外部齿廓和内部切口),外部部分构成了主要挑战,因此也是我们工作的重点(见图8)。使用完全相同的齿轮形状集创建了两个不同的数据集,但应用了不同的奇点放置策略(详见附录B.2)。为了引入形状多样性,我们用一组参数对齿轮进行了建模。齿轮模块和压力角固定在1度和20度,外部齿轮的尖端半径归一化为1。然后我们随机采样以下参数,对于训练/验证和测试集使用不同的范围,以确保分布外的泛化:

图7. 复合齿轮的网格化分解。复合齿轮(左)由共享轴上的两个齿轮组成。可以通过分别网格化外部齿轮(右上)和内部齿轮(右下)的2D部分来简化这个组件的网格化。

图8. 齿轮数据集上的用户定义拓扑与形状驱动拓扑。(a, b)我们对同一齿轮形状应用了两种不同的基于规则的奇点注释(红色表示指数+2,蓝色表示-2)。(d, e)这些注释产生了两种不同的、可预测的交叉场。相比之下,传统方法如MIQ [Bommes等人,2009] 产生的交叉场(f)及其对应的拓扑(c)(红色表示指数+1,蓝色表示-1)完全由形状(和算法参数)决定,无法根据用户偏好轻松定制。
- 齿数:对于训练和验证集,外部齿轮的齿数从{11,13,15}中采样,内部齿轮的齿数从{5,7,9}中采样。对于测试集,这些数分别从不相交的集合{10,12,14,16}和{4,6,8,10}中采样。
- 内部齿轮尺寸:内部齿轮的尖端半径与外部齿轮的根半径的比率从[0.5,0.7)中采样,用于训练和验证,从[0.7,0.8)中采样,用于测试。
- 旋转角度:为了确保旋转等效性,内外齿轮都围绕z轴随机旋转。对于训练和验证,角度是30度的离散倍数(即,k×30°,k∈Z)。对于测试,角度还包括一个随机偏移(即,k×30°+b,k∈Z,b∈[5°,25°])。

4.4 监督策略的优势
有了这些数据集,现在很容易讨论与传统方法的区别。图6和图8显示,对于单一输入形状,可以根据训练集中的偏好生成不同的交叉场。然而,传统方法(例如,MIQ [Bommes等人,2009])和无监督或自我监督方法(例如,Dong等人 [2025b])只知道输入网格,无法将这种偏好输入其中。因此,它们很难通过调整算法参数来生成这样的变体结果。类似于Dielen等人 [2021];Gao等人 [2024],我们的方法采用了监督学习策略,并且具有在完全相同的输入形状上通过学习不同注释生成可定制和可预测结果的优势。

5 结果
本节首先详细介绍了我们的实现,包括网络训练和评估工具。然后,我们将我们的方法与其他神经方法进行比较,以展示我们的方法如何满足第1节中概述的四个要求。

5.1 实现细节
为了生成训练数据,我们计算了HKS特征,这些特征在[0.01,1]范围内以对数间隔的16个值进行采样,正如Sharp等人 [2022] 所建议的。使用MMP算法 [Mitchell等人,1987] 计算了地理距离场。当我们将输入三角网格的分辨率控制在大约20k个面时,每个奇点的k最近邻被过采样,k=100。我们为每个数据集训练了一个单独的网络,使用DiffusionNet [Sharp等人,2022] 的默认超参数。我们使用了Adam优化器,动量为0.9,权重衰减为1e-4。学习率初始化为1e-4,并且每20个周期减半。每个网络都在单个NVIDIA 4090 GPU上训练了100个周期,直到收敛。在后续处理步骤中,我们使用了Topology ToolKit(TTK)[Tierny等人,2017],在所有数据集中保持一致的持久性阈值1e-3进行奇点提取。通过TCs [Crane等人,2010] 进行交叉场重建,以及来自Directional [Vaxman等人,2016] 的可视化工具。为了公平比较,我们使用了Dielen等人 [2021;Gao等人,2024] 摘要提供的实现及其默认超参数。为了匹配他们的输入要求,我们采用了Dielen等人 [2021] 指定的局部切线基。由于Gao等人 [2024] 预测基于顶点的交叉场,我们将基于面的场插值到顶点以进行直接比较,详见附录C。MIQ [Bommes等人,2009] 和QEx [Ebke等人,2013] 的实现来自开源的CoMiSo和libQEx。

5.2 坐标系和镶嵌的影响
我们的方法和Gao等人 [2024] 都被设计为对坐标系不变,并且在镶嵌方面具有鲁棒性,采用了不同的技术。我们使用标量场和内在特征提取器DiffusionNet [Sharp等人,2022],而[Gao等人,2024] 使用了基于向量的内在特征提取器。因此,本节将重点与外在方法Dielen等人 [2021] 进行直接比较,以更清楚地展示我们方法的优势。由于Gao等人 [2024] 已经展示了[Dielen等人 [2021] 的问题行为,我们只是提供简短的确认。
- 坐标系。如图9所示,Dielen等人 [2021] 的结果对全局刚性变换敏感,因为它们依赖于顶点位置和法线。相比之下,我们的内在方法无论模型的方向如何都能产生一致的预测。此外,Dielen等人 [2021] 也对局部切线基的选择敏感,因为切线向量直接在这些基下编码。我们的方法通过学习多个标量场来规避这个问题,这些标量场本质上对基的选择是不可变的。

图9. 对镶嵌和坐标系变化的鲁棒性。(顶部行):我们的内在方法在各种扰动下都能产生一致的奇点预测,包括刚性旋转、Q-slim网格细化以及混合分辨率。(底部行):相比之下,Dielen等人 [2021] 的外在方法对这些变化敏感,在旋转、细化和不同的局部切线基选择下会导致显著误差。
- 镶嵌。如图9所示,我们的方法对于内在策略在网格镶嵌的变化是鲁棒的。因此,我们的方法在细化和高度不均匀的网格上都能产生一致的结果。相比之下,Dielen等人 [2021] 依赖于网格连通性来进行特征聚合,导致对特定镶嵌的过度拟合。

5.3 在原始对象中适应拓扑
在确立了我们方法的坐标不变性之后,我们现在使用合成原始数据集来展示我们的核心优势:在不同场景中泛化到不同拓扑结构的能力:
- 多实例。我们在PCH数据集上训练了一个网络,使用具有两种奇点模式的形状,并在其上测试了具有四种奇点模式的形状。如图10所示,我们的方法准确预测了所有模式。相比之下,Gao等人 [2024] 难以在模式之间保持平滑的场,而Dielen等人 [2021] 未能捕捉到任何奇点。

图10. 在PCH数据集上对多个实例的泛化。这个测试形状包含了一些训练过程中从未见过的孔。我们的方法正确预测了所有奇点模式。相比之下,Gao等人 [2024] 难以在多个模式之间创建平滑的过渡,而Dielen等人 [2021] 完全未能捕捉到任何奇点。
- 旋转实例。我们在PEH数据集上训练了一个网络,增加了奇点模式的多种局部旋转角度,并在未见过的角度上进行了测试。如图11所示,我们的方法很好地泛化到了这些未见过的旋转。相比之下,Gao等人 [2024] 由于在不连续状态之间进行简单的插值而产生了不希望出现的奇点(见图1(b)),而Dielen等人 [2021] 同样未能捕捉到任何奇点。此外,我们还在MEH数据集上探索了相同的局部旋转情况,结果与平面情况一致,见图12。我们没有在MEH数据集上与[Dielen等人 [2021] 进行比较,因为它在处理局部切线基的选择方面存在固有的难度。

图11. 在PEH数据集上对局部旋转的泛化。这个测试形状包含训练过程中未见过的旋转角度的孔。我们的方法很好地适应了这种情况。Gao等人 [2024] 产生了一个不平滑的模式,这与图1中强调的不连续性问题一致。Dielen等人 [2021] 同样未能捕捉到奇点。

图12. 在MEH数据集上对曲线表面的局部旋转的泛化。类似于PEH案例中的图11,Gao等人[2024]生成了一个不平滑的交叉场,而我们的方法能够很好地泛化未见的局部图案旋转。由于我们的方法是基于DiffusionNet [Sharp等人2022]的,因此仅在平面上训练的网络(例如PEH数据集)也可以“即刻”应用于可展曲面上,见图13(a)。图13展示了在可展曲面上的性能和局限性。预测结果(绿色)与真实值(黄色)进行对比。(a) 我们的方法在平面数据上训练后,能够正确地泛化到可展曲面上。(b) 一个典型的失败案例,其中奇点之间的距离太近,无法区分。

5.4 CAD模型中的适应性拓扑结构
与基本形状相比,具有不同拓扑注释的真实世界CAD模型更具兴趣和实际用途。在图14中,我们展示了两个合成齿轮数据集的一些结果,这些数据集包含相同的形状,但采用了不同的标注规则。当泛化到插值的未见测试形状时,我们的方法和[Gao等人2024]都生成了与真实值一致的交叉场。然而,对于外推的未见测试形状,[Gao等人2024]无法保持平滑的场,而我们的方法仍然能够以较低的角度误差良好工作。

5.5 定量比较
我们在表1中提供了我们的方法与现有基于学习的方法的定量比较。我们的方法在所有数据集中都 consistently 实现了最低的角度误差。对于我们的方法,我们首先使用Poincaré-Hopf定理验证预测的奇点配置,过滤掉无效的配置,然后计算有效集合的角度误差。我们的方法产生了高比例的有效拓扑预测,主要例外是在PCH数据集中,由于其奇点模式紧密排列的复杂性。虽然Dielen等人[2021]的预测未能捕捉到任何奇点(见图10和11),但他们的角度误差仍显著低于随机基线的22.5°。这是因为主要难点在于奇点周围的小区域,而场的其余部分相对容易预测(见图10至14)。由于Dielen等人[2021]在处理曲面上的局部切向量基时的已知困难,我们没有将他们的方法纳入MEH数据集的比较中。此外,他们的方法在复杂的齿轮数据集上也未能收敛。

表1. MEH PEH PCH Gear-A Gear-B
有效拓扑 99% 99% 76% 100% 100%
我们的方法 1.47° 1.80° 1.46° 1.60° 1.10°
Gao等人[2024] 2.59° 3.07° 3.67° 4.20° 3.60°
Dielen等人[2021] × 4.71° 7.92° × ×

5.6 大小场
由于只有基于SMPL的数据集提供了真实的大小信息,我们使用它来展示学习辅助大小场的好处。如图15所示,结合学习到的大小场可以通过适当缩放交叉场显著提高最终的四边形网格质量。这减少了失真,并产生了与真实值更为匹配的四边形网格。

5.7 辅助距离场的必要性
人们可能会考虑一种更简单的方法:只学习过采样的奇点索引场,然后使用聚类算法来确定奇点位置。然而,如图16所示,这种策略并不可靠。当未见测试案例中的多个奇点模式彼此靠近时,预测结果会变得模糊。聚类算法可能会错误地将它们合并为一个。这突显了我们的辅助距离场的必要性。距离场提供了额外的距离信号,使我们能够稳健地定位每个实例。这种技术在类似的实例分割任务中也证明是有效的[Jiang等人2020]。

6 结论
我们提出了一种新颖的两阶段策略,该方法使用内在的神经网络DiffusionNet [Sharp等人2022]通过两个辅助标量场来学习奇点分布,然后通过解决一系列线性系统在TC [Crane等人2010]中生成交叉场。与现有的完全端到端的交叉场回归方法相比,我们的方法能够有效处理不连续性,提供了更好的鲁棒性,尤其是在处理多个奇点实例及其刚性变形时。然而,我们的方法也存在一些局限性和未来改进的潜力领域:

- 假设实例几乎独立:我们目前假设实例之间有足够的间隔,因为我们的网络倾向于使紧密耦合的实例的距离场变得模糊,导致检测遗漏或奇点合并。在未来的工作中,可以采用两阶段检测策略,如YOLO [Redmon 2016],来帮助解决这个问题。
- 缺乏与Poincaré-Hopf定理相关的足够约束:我们的方法在处理拓扑上无效的奇点模式时可能遇到问题。
- 缺乏多样的控制:我们的方法在常见的网格控制方面存在一些限制。与Gao等人[2024]类似,我们目前的方法仅限于生成各向同性的交叉场,不支持各向异性元素。将我们的大小场学习扩展到度量学习应该会有所帮助。此外,我们的框架不能直接处理特征对齐问题。作为解决方案,可以在TC重建步骤中应用对齐约束。例如,在我们的方法的重建步骤中,我们将交叉场与边界对齐(见第3.3节和附录A)。
- 对于没有奇点的非平凡场(例如封闭形式场 [Fang等人2016]),我们的方法不适用。

5.7 扩展到3D:对于3D纹理生成等应用,将奇点从点扩展到线后,我们的方法可能表现良好。然而,对于更复杂的应用(例如六面体重新网格化),需要额外的局部或全局可积分性约束。尽管近年来已经有一些进展[Fang等人2023;Liu和Bommes 2023],但相关问题仍然很多。

5.8 大规模真实世界数据集:我们的实验目前主要在合成数据集上进行,其中奇点注释是根据预定义规则自动生成的。我们认识到,缺乏一个包含专家标记的有机形状上的大规模真实世界数据集是本工作的局限。然而,创建这样的基准集需要大量的手动干预和专业知识;据我们所知,目前社区中尚不存在这样的数据集。我们认为,策划一个多样化、由专家注释的数据集是一项重要的工作,需要专门的社区或行业努力。类似于ImageNet对计算机视觉的影响,这样的数据集将在推动基于学习的网格设计领域方面发挥重要作用。

致谢
我们感谢所有匿名审稿人的宝贵评论和建议。同时,我们也感谢Shenke Zhang和Yiyang Jin在构建合成数据集方面的帮助,以及Lingyan Huang在图表插图方面的协助。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号