LinFlo-Net: A two-stage deep learning method to generate simulation ready meshes of the heart
University of California, Berkeley（加州大学伯克利分校）；Stanford University（斯坦福大学）
提出LinFlo-Net，一种两阶段深度学习方法，通过微分同胚变形与运动学损失函数生成无自相交的心脏网格，可直接用于物理仿真。
2024-01-03 cs.CV cs.LG
MeshWalker: Deep Mesh Understanding by Random Walks
Technion – Israel Institute of Technology（以色列理工学院）
大多数为深度学习表示3D形状的尝试都集中在体积网格、多视图图像和点云上。在本文中，我们研究了计算机图形学中最流行的3D形状表示-三角形网格-并询问如何在深度学习中使用它。回答这个问题的少数尝试提出调整卷积和池化以适应卷积神经网络（CNN）。本文提出了一种非常不同的方法，称为MeshWalker，直接从给定的网格中学习形状。其关键思想是通过沿表面的随机行走来表示网格，这将“探索”网格的几何和拓扑。每次行走都被组织为顶点列表，这以某种方式对网格施加规则性。步行被输入到一个递归神经网络（RNN）中，该网络“记住”步行的历史。我们表明，我们的方法实现了两个基本的形状分析任务的最先进的结果：形状分类和语义分割。此外，即使是非常少量的例子也足以用于学习。这是非常重要的，因为很难获得大的网格数据集。
2020-12-10 cs.CG cs.CV cs.LG
DeepHandMesh: A Weakly-supervised Deep Encoder-Decoder Framework for High-fidelity Hand Mesh Modeling
Seoul National University（首尔大学）；Facebook Reality Labs（Facebook现实实验室）
人类的手在与其他人和物体的互动中发挥着核心作用。为了逼真地再现这种手部运动，必须重建高保真度的手部网格。在这项研究中，我们首先提出了DeepHandMesh，这是一个用于高保真手部网格建模的弱监督深度编码器-解码器框架。我们将系统设计为以端到端和弱监督的方式进行训练;因此，它不需要地面实况网格。相反，它依赖于较弱的监督，如3D关节坐标和多视图深度图，这些比地面实况网格更容易获得，并且不依赖于网格拓扑。虽然提出的DeepHandMesh是以弱监督的方式训练的，但它提供了比以前的全监督手部模型更逼真的手部网格。我们新引入的穿透避免损失通过复制手部部件之间的物理相互作用进一步改善了结果。最后，我们证明了我们的系统也可以成功地应用于从一般图像的三维手网格估计。我们的手部模型、数据集和代码可在https://mks0601.github.io/DeepHandMesh/上公开获取。
2020-08-19 cs.CV
DeepMeshFlow: Content Adaptive Mesh Deformation for Robust Image Registration
University of Electronic Science and Technology of China（电子科技大学）；Megvii Technology（旷视科技）
通过网格扭曲（诸如网格流）的图像对准是已经广泛应用于各种视觉应用（例如，多帧HDR/去噪、视频稳定）。传统的网格扭曲方法检测和匹配图像特征，其中对齐的质量高度依赖于图像特征的质量。然而，在低纹理和低光照场景下，图像特征不鲁棒。另一方面，深度单应性方法通过学习深度特征以获得鲁棒性能而免于此类问题。然而，单应性仅限于平面运动。在这项工作中，我们提出了一个深meshflow运动模型，它以两个图像作为输入，并输出一个稀疏的运动场与运动位于网格顶点。深层网格流既具有网格流的非线性运动描述能力，又具有深层单应性的鲁棒性。特别是，一个新的无监督网络结构，提出了内容自适应能力。一方面，不能在网格表示下对齐的图像内容被我们学习的掩码拒绝，类似于RANSAC过程。另一方面，我们学习多个网格分辨率，结合到一个非均匀的网格划分。此外，还提供了一个全面的数据集，涵盖了用于训练和测试的各种场景。通过与传统的网格变形方法和基于深度的方法的比较，验证了本文提出的深度网格流运动模型的有效性。
2019-12-11 cs.CV
A Review of Deep Learning-Powered Mesh Reconstruction Methods
Simon Fraser University（西蒙弗雷泽大学）
随着硬件和渲染技术的进步，3D模型在我们的生活中无处不在。然而，创建3D形状是艰巨的，需要大量的专业知识。与此同时，深度学习已经能够从各种来源进行高质量的3D形状重建，使其成为以最小的努力获取3D形状的可行方法。重要的是，为了在常见的3D应用中使用，重建的形状需要表示为多边形网格，由于网格镶嵌的不规则性，这对神经网络是一个挑战。在本次调查中，我们提供了一个全面的审查网格重建方法，是由机器学习。我们首先在深度学习上下文中描述3D形状的各种表示。然后，我们回顾了三维网格重建方法的发展，从体素，点云，单图像，多视图图像。最后，我们确定了这一领域的几个挑战，并提出了未来的发展方向。
2023-03-06 cs.CV cs.GR cs.LG
MongeNet: Efficient Sampler for Geometric Deep Learning
CSIRO（澳大利亚联邦科学与工业研究组织）；Queensland University of Technology（昆士兰科技大学）
几何深度学习的最新进展为评估网格之间的距离带来了复杂的计算挑战。对于网格模型，点云与鲁棒的距离度量一起是必要的，以评估表面质量或作为训练模型的损失函数的一部分。目前的方法往往依赖于一个统一的随机网格离散化，这会产生不规则的采样和噪声的距离估计。在本文中，我们介绍了MongeNet，一个快速和最佳的运输为基础的采样器，允许一个准确的离散化的网格具有更好的近似性能。我们比较我们的方法无处不在的随机均匀采样，并表明，近似误差几乎是一个非常小的计算开销的一半。
2021-04-29 cs.CV cs.LG
Deep Mesh Prior: Unsupervised Mesh Restoration using Graph Convolutional Networks
The University of Tokyo（东京大学）
本文解决了网格恢复问题，即，去噪和完成，通过学习自相似性在一个无监督的方式。为此，我们将所提出的方法称为Deep Mesh Prior，它使用网格上的图卷积网络来学习自相似性。该网络以单个不完整网格作为输入数据，直接输出重建的网格，而无需使用大规模数据集进行训练。我们的方法不使用任何中间表示，如隐式场，因为整个过程都在网格上工作。我们证明了我们的无监督方法与使用大规模数据集的最先进方法相比表现同样出色甚至更好。
2021-11-01 cs.CV cs.GR
CALVIS: chest, waist and pelvis circumference from 3D human body meshes as ground truth for deep learning
Paris Lodron University of Salzburg（萨尔茨堡帕里斯·洛德龙大学）
本文提出了一种从三维人体网格中计算$\textbf{C}$ hest、w $\textbf{A}$ ist和pe $\textbf{LVIS}$周长的方法CALVIS。我们的动机是使用这些数据作为训练卷积神经网络（CNN）的真值。以前的工作使用了大规模的CAESAR数据集或确定这些人体测量$\textit{manually}$从一个人或人的三维人体网格。不幸的是，获取这些数据是一项耗费成本和时间的工作。相比之下，我们的方法可以自动用于3D网格。我们合成八个人体网格，并应用CALVIS计算胸围，腰围和骨盆周长。我们定性评估的结果，并观察到，测量确实可以用来估计一个人的形状。然后，我们通过用CALVIS生成真值来训练一个小的CNN，来评估我们的方法的可扩展性。在用我们的数据训练网络之后，我们实现了竞争性验证误差。此外，我们公开了CALVIS的实施，以推动该领域的发展。
2020-02-12 cs.CV cs.LG
AttWalk: Attentive Cross-Walks for Deep Mesh Analysis
Technion（以色列理工学院）
通过随机游走的网格表示已被证明有利于深度学习。随机性确实是一个强大的概念。但是，它也有代价：有些行走可能会在网格的非特征区域周围徘徊，这可能对形状分析有害，特别是当只使用少数行走时。我们提出了一种新的步行注意力机制，利用了多个步行使用的事实。关键的想法是，行走可以相互提供关于网格的有意义（注意）特征的信息。我们利用这个互信息提取一个单一的描述符的网格。这与使用注意力来改进每个单独描述符的表示的常见注意力机制不同。我们的方法实现了SOTA结果的两个基本的3D形状分析任务：分类和检索。即使是沿着网格走几步也足以学习。
2021-04-23 cs.CV
GAMesh: Guided and Augmented Meshing for Deep Point Networks
University of California, Irvine（加利福尼亚大学尔湾分校）
我们提出了一种新的网格化算法，称为引导和增强网格，GAMesh，它使用一个网格之前，生成一个点网络的输出点的表面。通过将输出点投影到该先验上并简化生成的网格，GAMesh确保曲面具有与网格先验相同的拓扑结构，但其几何保真度由点网络控制。这使得GAMesh独立于输出点的密度和分布，这是传统表面重建算法中常见的伪影。我们表明，这种分离的几何拓扑结构可以有几个优点，特别是在单视图的形状预测，公平的评价点网络和重建表面的网络输出稀疏点云。我们进一步表明，通过使用GAMesh训练点网络，我们可以直接优化顶点位置以生成具有任意拓扑结构的自适应网格。
2020-10-19 cs.CG cs.CV cs.GR
Picasso: A CUDA-based Library for Deep Learning over 3D Meshes
The University of Western Australia（西澳大学）
我们提出了Picasso，一个基于CUDA的库，包括用于复杂的真实世界3D网格的深度学习的新模块。分层神经结构已被证明是有效的多尺度特征提取，这意味着需要快速网格抽取。然而，现有的方法依赖于基于CPU的实现来获得多分辨率网格。我们设计了GPU加速的网格抽取，以促进实时有效地降低网络分辨率。池化和非池化模块定义在抽取过程中收集的顶点簇上。对于网格上的特征学习，Picasso包含三种类型的新颖卷积，即facet2vertex，vertex2facet和facet2facet卷积。因此，它将网格视为由顶点和小平面组成的几何结构，而不是像以前的方法那样将其视为具有边的空间图。Picasso还在其过滤器中加入了模糊机制，以增强对网格采样（顶点密度）的鲁棒性。它利用高斯混合来定义模糊系数的facet2vertex卷积，和重心插值定义其余两个卷积的系数。在此版本中，我们展示了所提出的模块的有效性，并在S3DIS上获得了具有竞争力的分割结果。该图书馆将通过https://github.com/hlei-ziyan/Picasso向公众开放。
2021-03-28 cs.CV
A Critical Analysis of the Limitation of Deep Learning based 3D Dental Mesh Segmentation Methods in Segmenting Partial Scans
Rutgers University（罗格斯大学）
本研究针对现有深度学习牙齿分割算法多依赖全牙列模型假设的问题，测试其在部分口内扫描数据上的表现，发现性能大幅下降，为开发更鲁棒的无全牙列假设分割方法提供依据。
2023-04-29 cs.CV cs.LG
Deep Mesh Reconstruction from Single RGB Images via Topology Modification Networks
South China University of Technology（华南理工大学）；the Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））；USC Institute for Creative Technologies（南加州大学创意技术研究所）
得益于深度学习技术的最新进展，现在可以从单个图像重建一般物体的3D网格。然而，由于生成一个可行的网格结构的非平凡的困难，国家的最先进的方法往往简化了问题，通过学习的模板网格变形到目标表面的位移。虽然可以通过变形多个网格片来重建具有复杂拓扑结构的3D形状，但是仍然难以缝合结果以确保高的网格质量。在本文中，我们提出了一个端到端的单视图网格重建框架，能够从一个单一的亏格0模板网格生成高质量的网格与复杂的拓扑结构。我们的方法的关键是一个新的渐进成形框架，交替网格变形和拓扑修改。虽然变形网络预测每个顶点的平移，减少重建的网格和地面真实之间的差距，一种新的拓扑修改网络被用来修剪容易出错的面，使拓扑结构的演变。通过迭代这两个过程，可以逐步修改网格拓扑结构，同时实现更高的重建精度。此外，边界细化网络的设计，以改善边界条件，以进一步提高重建网格的视觉质量。大量的实验表明，我们的方法优于目前国家的最先进的方法在定性和定量，特别是对复杂的拓扑结构的形状。
2019-09-01 cs.CV
DeepMesh: Mesh-based Cardiac Motion Tracking using Deep Learning
Imperial College London（帝国理工学院）；University of Birmingham（伯明翰大学）；MRC London Institute of Medical Sciences（英国医学研究理事会伦敦医学科学研究所）；Technical University Munich（慕尼黑工业大学）；Klinikum rechts der Isar（伊萨尔河畔临床教学中心）
本文提出 DeepMesh 学习框架，利用多视图二维 CMR 图像重建个体心脏三维网格并估计逐顶点运动场，在 UK Biobank 上优于现有图像与网格类方法。
2023-09-25 cs.CV eess.IV
WrappingNet: Mesh Autoencoder via Deep Sphere Deformation
InterDigital（InterDigital公司）；University of Pennsylvania（宾夕法尼亚大学）
WrappingNet是首个支持异构对象通用网格无监督学习的网格自编码器，通过瓶颈中的基础图表示网格连接，实现共享潜在空间，提升重建质量并支持跨类别插值。
2023-08-29 cs.CV eess.IV
Mesh-based 3D Motion Tracking in Cardiac MRI using Deep Learning
Imperial College London（帝国理工学院）；National University of Defense Technology（国防科技大学）；MRC London Institute of Medical Sciences（英国医学研究委员会伦敦医学科学研究所）；Technical University Munich（慕尼黑工业大学）
从电影心脏磁共振（CMR）图像中进行三维运动估计对于心功能评估和心血管疾病的诊断具有重要意义。大多数先前方法集中于估计全图像空间中的逐像素/逐体素运动场，其忽略了运动估计主要在感兴趣对象内相关和有用的事实，例如，心脏在这项工作中，我们将心脏建模为3D几何网格，并提出了一种新的基于深度学习的方法，可以从2D短轴和长轴CMR图像中估计心脏网格的3D运动。通过开发可微分网格到图像光栅化器，该方法能够利用来自2D多视图CMR图像的解剖形状信息进行3D运动估计。光栅化器的可微性使我们能够对方法进行端到端的训练。所提出的方法的一个优点是，通过跟踪每个顶点的运动，它是能够保持顶点对应的三维网格之间的时间帧，这是重要的定量评估的网格上的心脏功能。我们评估所提出的方法从英国生物银行研究获得的CMR图像。实验结果表明，该方法在定量和定性上都优于传统的和基于学习的心脏运动跟踪方法。
2022-09-05 cs.CV cs.LG eess.IV
DEMEA: Deep Mesh Autoencoders for Non-Rigidly Deforming Objects
Max Planck Institute for Informatics, Saarland Informatics Campus（马克斯·普朗克信息学研究所，萨尔兰信息学园区）；Stanford University（斯坦福大学）
网格自动编码器通常用于降维、采样和网格建模。我们提出了一个通用的深度MEsh自动编码器（DEMEA），它增加了一个新的嵌入式变形层的图形卷积网格自动编码器。嵌入变形层（EDL）是一个可微的可变形几何代理，它显式地在低维空间中模拟非刚性变形的点位移，并作为局部刚度正则化。DEMEA从最终网格分辨率中提取变形的参数化，因为变形是在较低维的嵌入变形图上定义的。我们对四个不同的可变形物体数据集进行了大规模的研究。与直接回归顶点位置相比，使用EDL推理网格的局部刚度使我们能够为高度变形的对象实现更高质量的结果。我们展示了DEMEA的多种应用，包括深度和阴影线索的非刚性3D重建，非刚性表面跟踪，以及在不同网格上的变形转移。
2020-08-04 cs.CV cs.GR
Reconsider the Template Mesh in Deep Learning-based Mesh Reconstruction
Hunan University（湖南大学）
针对传统深度学习网格重建依赖固定模板、忽略个体解剖差异的问题，提出基于自适应模板的ATMRN网络，在OASIS数据集皮质MR图像重建任务上刷新基准，且具备跨模态跨结构通用性。
2025-05-21 cs.AI cs.CV eess.IV
Deep Hybrid Self-Prior for Full 3D Mesh Generation
Zhejiang University（浙江大学）；Fudan University（复旦大学）；Google（谷歌）
我们提出了一个深度学习管道，它利用网络自先验从彩色3D点云恢复由三角网格和纹理图组成的完整3D模型。与以前的方法不同，无论是利用2D自先验的图像编辑或3D自先验的纯表面重建，我们提出了一种新的混合2D-3D自先验的深度神经网络，以显着提高几何质量，并产生高分辨率的纹理图，这是通常从商品级3D扫描仪的输出中丢失。特别地，我们首先使用具有3D自先验的3D卷积神经网络生成初始网格，然后在2D UV图谱中编码3D信息和颜色信息，2D UV图谱由具有自先验的2D卷积神经网络进一步细化。以这种方式，2D和3D自先验都用于网格和纹理恢复。实验结果表明，该方法在不需要任何额外训练数据的情况下，从稀疏输入中恢复出高质量的三维纹理网格模型，在几何质量和纹理质量方面均优于现有方法.
2021-08-24 cs.CV
DC-GNet: Deep Mesh Relation Capturing Graph Convolution Network for 3D Human Shape Reconstruction
Xiamen University（厦门大学）
在本文中，我们的目标是重建一个完整的三维人体形状从一个单一的图像。以前的顶点级和参数回归方法基于预定义的邻接矩阵来编码节点之间的正关系来重建3D人体形状。3D人体表面的深层拓扑关系没有被仔细利用。此外，大多数现有的方法的性能往往受到域间隙时，处理更多的遮挡情况下，在现实世界的场景。在这项工作中，我们提出了一个深度网格关系捕获图卷积网络，DC-GNet，具有用于3D人体形状重建的形状完成任务。首先，我们提出了捕捉网格顶点之间的深层关系，其中引入了一个自适应矩阵编码的积极和消极的关系。其次，我们提出了一个形状完成任务，学习有关各种遮挡情况的先验知识。我们的方法根据更远区域中节点之间更微妙的关系对网格结构进行编码。此外，我们的形状完成模块解决了室外场景中的性能下降问题。在几个基准上的大量实验表明，我们的方法优于以前的三维人体姿态和形状估计方法。
2021-08-27 cs.CV
Snap-and-tune: combining deep learning and test-time optimization for high-fidelity cardiovascular volumetric meshing
Yale University（耶鲁大学）；Stony Brook University（石溪大学）
针对深度学习模板形变在心血管体积网格中的高曲率与部件间距问题，提出 snap-and-tune 两阶段策略，结合 DL 初始拟合与测试时优化，显著提升精度和网格质量。
2025-06-09 cs.CV eess.IV
DMD-Net: Deep Mesh Denoising Network
CVIG Lab, IIT Gandhinagar（IIT Gandhinagar计算机视觉实验室）
提出DMD-Net端到端深度学习框架，通过原始-对偶图卷积与FGT范式实现网格去噪，在极高噪声下仍具鲁棒性且性能优于现有算法。
2025-06-28 cs.CV
DeepMetaHandles: Learning Deformation Meta-Handles of 3D Meshes with Biharmonic Coordinates
University of California San Diego（加利福尼亚大学圣迭戈分校）；KAIST（韩国科学技术院）；Adobe Research（Adobe研究院）
我们提出了DeepMetaHandles，一个基于网格变形的3D条件生成模型。给定一个类别的3D网格及其变形控制柄（控制点）的集合，我们的方法为每个形状学习一组元控制柄，这些元控制柄表示为给定控制柄的组合。解开的元控制柄分解了形状的所有可能变形，而它们中的每一个都对应于直观变形。然后可以通过在特定范围内对元句柄的系数进行采样来生成新的变形。我们采用双调和坐标作为变形函数，它可以平滑地将控制点的平移传播到整个网格。为了避免学习零变形作为元句柄，我们引入了一个目标拟合模块，该模块使输入网格变形以匹配随机目标。为了增强变形的可扩展性，我们采用了一个基于软光栅化的投影网格到2D空间。我们的实验证明了所生成的变形的优越性以及所学习的元句柄的可解释性和一致性。
2021-03-28 cs.CV cs.GR
3D Consistent Biventricular Myocardial Segmentation Using Deep Learning for Mesh Generation
Université Côte d’Azur（蔚蓝海岸大学）；Inria（法国国家信息与自动化研究所）；CREATIS（里昂第一大学医疗图像与信息科学研究中心）；CNRS UMR 5220（法国国家科学研究中心联合研究单位5220）；INSERM U1206（法国国家健康与医学研究院联合研究单位1206）
我们提出了一种新的自动化方法分割心肌的左，右心室的MRI卷。分割在3D中跨切片是一致的，使得其可以直接用于网格生成。两个特定的神经网络与多尺度粗到细的预测结构，提出了以应付小的训练数据集和训练使用原始的损失函数。前者分割体积中间的切片。然后，后者以空间上一致的方式迭代地向基部和顶点传播切片分割。我们对来自STACOM的15个案例进行了5折交叉验证以验证该方法。对于训练，我们使用真实案例及其通过结合运动模拟和图像合成生成的合成变体。获得了准确、一致的测试结果。
2018-03-29 cs.AI cs.CV cs.LG
Deep Rectangling for Image Stitching: A Learning Baseline
Beijing Jiaotong University（北京交通大学）；University of Electronic Science and Technology of China（电子科技大学）
拼接图像提供宽视场（FoV），但遭受不规则边界的困扰。为了解决这个问题，现有的图像矩形化方法致力于搜索一个初始网格和优化一个目标网格，形成网格变形分两个阶段。然后通过扭曲拼接图像生成矩形图像。然而，这些解决方案仅适用于具有丰富线性结构的图像，从而导致具有非线性对象的肖像和风景的明显失真。在本文中，我们通过提出图像矩形化的第一个深度学习解决方案来解决这些问题。具体地说，我们构造了一个刚性目标网格，只估计一个初始网格来形成网格变形，有助于紧凑的一阶段解决方案。初始网格使用具有残差渐进回归策略的全卷积网络进行预测。为了获得具有高内容保真度的结果，提出了一种综合目标函数，以同时鼓励边界矩形，网格形状保持和内容感知自然。此外，我们建立了第一个图像拼接矩形化数据集，具有很大的多样性，在不规则的边界和场景。实验表明，我们的优越性比传统的方法定量和定性。
2022-03-29 cs.CV
Deep Geometric Texture Synthesis
Tel Aviv University（特拉维夫大学）
最近，用于图像生成的深度生成对抗网络发展迅速;然而，只有少量的研究集中在不规则结构的生成模型上，特别是网格。尽管如此，网格生成和合成仍然是计算机图形学中的一个基本课题。在这项工作中，我们提出了一个新的框架合成几何纹理。它从局部邻域（即，局部三角形片）。它学习输入三角剖分面上的深层特征，用于细分和生成跨多个尺度的偏移，而无需参数化参考或目标网格。我们的网络在任何方向上移动网格顶点（即，在法向和切向方向上），从而能够合成几何纹理，这不能由简单的2D位移图来表示。在局部几何面片上进行学习和合成，实现了一个类无关的框架，便于不同类的形状之间的纹理转移。
2020-06-30 cs.CV cs.GR cs.LG
A Deep-Learning Approach For Direct Whole-Heart Mesh Reconstruction
University of California, Berkeley（加州大学伯克利分校）；Open Source Medical Software Corporation（开源医疗软件公司）
从体积医学图像自动构建心脏结构的表面几何形状对于许多临床应用是重要的。虽然基于深度学习的方法已经证明了有希望的重建精度，但这些方法主要集中在体素分割，然后是表面重建和后处理技术。然而，这样的方法受到许多限制，包括由于错误分割而导致的断开区域或不正确的表面拓扑以及由于有限的分割分辨率而导致的阶梯状伪影。我们提出了一种新的基于深度学习的方法，可以直接从体积CT和MR图像数据预测整个心脏表面网格。我们的方法利用图卷积神经网络从预定义的网格模板预测网格顶点的变形，以重建3D图像体积中的多个解剖结构。我们的方法在生成整个心脏重建方面表现出了良好的性能，其准确性与之前基于深度学习的方法一样好或更好。此外，通过变形的模板网格，我们的方法可以生成具有更好的解剖一致性的整个心脏的几何形状，并从低分辨率的输入图像数据产生高分辨率的几何形状。我们的方法也能够从CT或MR电影序列中产生时间上一致的心脏运动表面网格预测，因此可以有效地构建4D全心脏动力学。我们的代码和预先训练的网络可在https://github.com/fkong7/MeshDeformNet上获得
2021-09-13 cs.CV eess.IV
Analytic Marching: An Analytic Meshing Solution from Deep Implicit Surface Networks
School of Electronic and Information Engineering, South China University of Technology（华南理工大学电子与信息工程学院）；South China University of Technology（华南理工大学）
本文研究了在深度学习表面重建的新兴领域中通过隐式函数学习表面网格的问题，其中隐式函数通常被实现为具有整流线性单元（ReLU）的多层感知器（MLP）。为了从学习的隐函数实现网格化，现有方法采用行进立方体的事实标准算法;虽然有前途，但由于行进立方体的离散化性质，它们遭受在MLP中学习的精度损失。基于ReLU的MLP将其输入空间划分为许多线性区域的知识，我们从这些区域中识别出与隐函数的零级等值面相关的分析单元和分析面，并描述了保证所识别的分析面连接并形成闭合的分段平面表面的理论条件。基于我们的定理，我们提出了一个自然的并行化算法的解析游行，游行之间的解析细胞，以准确地恢复网格捕获的学习MLP。深度学习网格重建的实验验证了我们的算法优于现有的算法。
2020-02-16 cs.CV cs.GR
Abdominal organ segmentation via deep diffeomorphic mesh deformations
Technical University of Munich（慕尼黑工业大学）；Ludwig-Maximilians-University（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
本文针对腹部多器官分割中现有模板网格重建方法泛化能力差的问题，提出深度微分同胚网格变形架构UNetFlow及改进训练方案，并设计配准后处理，在CT和MRI上实现肝脏、肾脏、胰腺和脾脏的鲁棒分割与快速微调。
2023-10-30 cs.CV
Toward Mesh-Invariant 3D Generative Deep Learning with Geometric Measures
Univ. Lille（里尔大学）；CNRS（法国国家科学研究中心）；Centrale Lille（里尔中央理工学院）；CRIStAL（里尔计算机、信号与自动控制实验室）；Laboratoire Paul Painlevé（保罗·潘勒韦实验室）；Institut Mines-Télécom（法国国立高等矿业电信学校联盟）；IMT Nord Europe（法国北部国立高等矿业电信学校）；Universität Wien（维也纳大学）
提出一种基于几何测量的网格不变性3D生成架构，利用currents和varifolds构建损失函数，解决未配准网格或点云的形状比较问题，并在人脸生成任务中验证了其鲁棒性。
2023-06-27 cs.CV
Deep learning for 3D human pose estimation and mesh recovery: A survey
School of Electronics and Communication Engineering, Sun Yat-sen University（中山大学电子与通信工程学院）
本文系统综述了近五年基于深度学习的3D人体姿态估计与网格恢复方法，涵盖单人和多人姿态估计及显式与隐式人体网格恢复，并在多个公开数据集上给出对比结果与未来研究方向。
2024-07-03 cs.CV cs.MM
Neural 3D Mesh Renderer
The University of Tokyo（东京大学）；RIKEN（理化学研究所）
对于2D图像背后的3D世界建模，哪种3D表示最合适？多边形网格因其紧凑性和几何特性而成为一种很有前途的候选网格。然而，使用神经网络从2D图像建模多边形网格并不简单，因为从网格到图像的转换或渲染涉及称为光栅化的离散操作，这会阻止反向传播。因此，在这项工作中，我们提出了一个近似的梯度光栅化，使渲染集成到神经网络。使用这个渲染器，我们执行单图像三维网格重建与剪影图像监督和我们的系统优于现有的基于体素的方法。此外，我们还首次在2D监控下执行基于梯度的3D网格编辑操作，例如2D到3D样式转换和3D DeepDream。这些应用程序展示了将网格渲染器集成到神经网络中的潜力和我们提出的渲染器的有效性。
2017-11-20 cs.CV cs.LG
MeshSDF: Differentiable Iso-Surface Extraction
Neural Concept SA；Intel Labs（英特尔实验室）；CVLab, EPFL（洛桑联邦理工学院计算机视觉实验室）
几何深度学习最近随着连续深度隐式场的出现而取得了惊人的进展。它们允许对任意拓扑结构的防水表面进行详细建模，同时不依赖于3D欧几里得网格，从而产生可学习的参数化，并且不受分辨率限制。不幸的是，这些方法通常不适用于需要显式基于网格的表面表示的应用程序，因为将隐式场转换为这种表示依赖于Marching Cubes算法，该算法不能相对于底层隐式场进行区分。在这项工作中，我们消除了这一限制，并引入了一种可微的方式来产生显式的表面网格表示深符号距离函数。我们的关键见解是，通过推理隐式场扰动如何影响局部表面几何形状，最终可以区分表面样本的3D位置相对于底层深层隐式场。我们利用这一点来定义MeshSDF，一个端到端的可微网格表示，可以改变其拓扑结构。我们使用两个不同的应用程序来验证我们的理论见解：通过微分渲染和物理驱动的形状优化的单视图重建。在这两种情况下，我们的可微参数化使我们比最先进的算法更有优势。
2020-10-31 cs.CV
Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and Landmark Localization on 3D Intraoral Scans
the Ohio State University（俄亥俄州立大学）；Xi’an Jiaotong University（西安交通大学）；United States Air Force（美国空军）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；SOVE Inc（SOVE公司）；ShanghaiTech University（上海科技大学）
在计算机辅助正畸治疗中，准确地分割牙齿并识别牙齿网格模型上相应的解剖标志是必不可少的。手动执行这两项任务是耗时的，繁琐的，更重要的是，由于患者牙齿的异常和大规模变化，高度依赖于牙科医生的经验。一些基于机器学习的方法已经被设计并应用于正畸领域以自动分割牙齿网格（例如，口内扫描）。相比之下，牙齿标志定位的研究数量仍然有限。本文提出了一种基于网格深度学习（称为TS-MDL）的两阶段框架，用于原始口内扫描的联合牙齿标记和标志识别。我们的TS-MDL首先采用端到端\emph{i} MeshSegNet方法（即，现有MeshSegNet的变体，具有改进的精度和效率），以标记下采样扫描上的每个牙齿。在分割输出的指导下，我们的TS-MDL进一步在原始网格上选择每个牙齿的感兴趣区域（ROI），以构建开创性PointNet的轻量级变体（即，PointNet-Reg）来回归对应的地标热图。我们的TS-MDL在真实临床数据集上进行了评估，显示出良好的分割和定位性能。具体而言，TS-MDL的第一阶段中的\emph{i} MeshSegNet在\textcolor [rgb]{0，0，0}{ $0.964\pm0.054$ }处达到平均Dice相似系数（DSC），显著优于原始MeshSegNet。在第二阶段，PointNet-Reg实现了$0.597\pm0.761 \, mm$的平均绝对误差（MAE）之间的…
2022-06-02 cs.CV
From Pixels to Polygons: A Survey of Deep Learning Approaches for Medical Image-to-Mesh Reconstruction
The University of Manchester（曼彻斯特大学）；KU Leuven（鲁汶大学）
该综述系统梳理了基于深度学习的医学图像到网格重建方法，将其分为模板、统计、生成和隐式模型四类，评估了各方法在不同解剖应用中的表现、公共数据集与评估指标，并指出当前挑战与未来方向。
2025-05-06 cs.CV
Hierarchical Detail Enhancing Mesh-Based Shape Generation with 3D Generative Adversarial Network
University of California（加利福尼亚大学）
基于网格的形状自动生成在从工业设计到游戏、计算机图形学和各种其他形式的数字艺术的广泛学科中引起了极大的兴趣。虽然大多数传统方法都集中在基于图元的模型生成上，但深度学习的进步使得以端到端的方式学习三维几何形状表示成为可能。然而，目前大多数基于深度学习的框架专注于基于体素和点云的形状的表示和生成，使得其不能直接应用于设计和图形社区。本研究针对自动生成基于网格的几何体的需求，提出了一种新的框架，该框架利用符号距离函数表示，通过基于深度学习的方法生成细节保留的三维表面网格。
2017-09-22 cs.AI cs.CV cs.GR
SDM-NET: Deep Generative Network for Structured Deformable Mesh
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；City University of Hong Kong（香港城市大学）；Cardiff University（卡迪夫大学）；Simon Fraser University（西蒙弗雷泽大学）
我们介绍了SDM-NET，一个深度生成神经网络，产生结构化的可变形网格。具体地，训练网络以生成闭合的可变形网格部分的空间布置，其尊重形状集合的全局部分结构，例如，我们的关键观察是，虽然3D形状的整体结构可能很复杂，但形状通常可以分解为一组部分，每个部分都同胚于一个盒子，并且可以通过变形盒子来恢复部分的更精细尺度几何形状。SDM-NET的体系结构是一个两级的变分自编码器（VAE）。在零件级别，PartVAE学习零件几何形状的可变形模型。在结构层面，我们训练结构化零件VAE（SP-VAE），它联合学习形状集合的零件结构和零件几何形状，确保全局形状结构和表面细节之间的一致性。通过大量的实验和与最先进的形状深度生成模型的比较，我们证明了SDM-NET在生成具有视觉质量，灵活的拓扑结构和有意义的结构的网格方面的优越性，这有利于形状插值和其他后续建模任务。
2019-09-03 cs.CV cs.GR
Deep Spectral Meshes: Multi-Frequency Facial Mesh Processing with Graph Neural Networks
Bournemouth University（伯恩茅斯大学）；Humain Ltd.（Humain有限公司）；Buckinghamshire New University（白金汉郡新大学）；Ulster University（阿尔斯特大学）
本文提出谱网格方法，利用图卷积网络将3D网格变形分解为低频和高频特征进行表示学习，并引入条件因子解决独立控制与生成合理样本的互斥问题，在网格重建、插值和多频率编辑任务中提升了生成质量。
2024-02-15 cs.CG cs.CV cs.GR
Pixel2Mesh: Generating 3D Mesh Models from Single RGB Images
Fudan University（复旦大学）；Princeton University（普林斯顿大学）；Intel Labs（英特尔实验室）；Tencent AI Lab（腾讯人工智能实验室）
我们提出了一个端到端的深度学习架构，它可以从单个彩色图像中生成三角形网格中的3D形状。受深度神经网络性质的限制，以前的方法通常以体积或点云表示3D形状，并且将它们转换为更易于使用的网格模型是不平凡的。与现有的方法不同，我们的网络在基于图的卷积神经网络中表示3D网格，并通过逐渐变形椭球来产生正确的几何形状，利用从输入图像中提取的感知特征。我们采用了由粗到细的策略，使整个变形过程稳定，并定义了各种网格相关的损失，以捕获不同级别的属性，以保证视觉上吸引人和物理上准确的3D几何形状。大量的实验表明，我们的方法不仅定性地产生网格模型与更好的细节，但也实现了更高的三维形状估计精度相比，国家的最先进的。
2018-08-03 cs.CV
Mesh convolutional neural networks for wall shear stress estimation in 3D artery models
University of Twente（特文特大学）；University of Amsterdam（阿姆斯特丹大学）；Qualcomm AI Research（高通人工智能研究院）
计算流体动力学（CFD）是一种有价值的工具，用于个性化，无创评估动脉中的血液动力学，但其复杂性和耗时的性质，禁止在实践中大规模使用。最近，已经研究了使用深度学习快速估计表面网格上的壁面剪切应力（WSS）等CFD参数。然而，现有的方法通常依赖于表面网格的手工重新参数化以匹配卷积神经网络架构。在这项工作中，我们建议改为使用网格卷积神经网络，直接在相同的有限元表面网格计算流体力学中使用。我们训练和评估我们的方法在两个数据集的合成冠状动脉模型有和没有分叉，使用从CFD模拟获得的地面真相。我们证明了我们灵活的深度学习模型可以准确地预测这个表面网格上的3D WSS向量。我们的方法在不到5 [s]的时间内处理新的网格，始终实现了$\leq$ 1.6 [%]的归一化平均绝对误差，并在90.5 [%]的中位数近似精度超过了测试集的峰值，与以前发表的工作相比，这是有利的。这证明了使用网格卷积神经网络的CFD替代建模用于动脉模型中的血液动力学参数估计的可行性。
2022-01-20 cs.CV cs.LG physics.flu-dyn
DDSL: Deep Differentiable Simplex Layer for Learning Geometric Signals
UC Berkeley（加州大学伯克利分校）；Technical University of Munich（慕尼黑工业大学）
我们提出了一个用于几何深度学习的神经网络的深度可微单纯形层（DDSL）。DDSL是与深度神经网络兼容的可微层，用于将基于单纯形网格的几何表示（点云、线网格、三角形网格、四面体网格）与光栅图像（例如，2D/3D网格）。DDSL使用非均匀傅立叶变换（NUFT）来执行基于单纯形的信号的可微分、高效、抗混叠光栅化。我们提出了一个完整的理论框架的过程，以及一个有效的反向传播算法。与以前的可微渲染器和光栅化器相比，DDSL可以推广到任意的单形度和维数。特别是，我们探索其应用程序的2D形状，并说明了这种方法的两个应用：（1）网格编辑和优化指导的神经网络输出，以及（2）使用DDSL的可微光栅化损失，以促进端到端的多边形生成器的培训。我们能够以翼型优化为例验证基于梯度的形状优化的有效性，并使用可微光栅化损失来促进端到端的训练，我们超越了最先进的多边形图像分割给定地面实况边界框。
2019-08-14 cs.CG cs.CV
CD$^2$: Fine-grained 3D Mesh Reconstruction With Twice Chamfer Distance
Northeastern University（东北大学）
单目三维重建是指从一幅RGB图像中重建出物体的形状和其它信息。在三维重建中，多边形网格具有详细的表面信息和低计算成本，是深度学习模型获得的最普遍的表达形式。然而，国家的最先进的计划未能直接生成结构良好的网格，我们发现，大多数网格有严重的顶点聚类（VC）和非法扭曲（IT）的问题。通过分析网格变形过程，我们指出倒角距离（CD）损失的不适当使用是深度学习模型中VC和IT问题的根本原因。本文通过直观的例子和定量的分析，初步论证了CD损耗引起的这两个问题。然后，我们提出了一种细粒度的重建方法CD $^2$，通过使用两次倒角距离来执行合理的和自适应的变形。在两个3D数据集上的大量实验和与五个最新方案的比较表明，我们的CD $^2$直接生成结构良好的网格，并在几个定量指标方面优于其他人。
2023-01-29 cs.CV
Vox2Cortex: Fast Explicit Reconstruction of Cortical Surfaces from 3D MRI Scans with Geometric Deep Neural Networks
Technical University of Munich（慕尼黑工业大学）；Ludwig-Maximilians-University Munich（慕尼黑路德维希-马克西米利安大学）
脑磁共振成像（MRI）扫描的皮质表面重建对于皮质厚度和脑沟形态的定量分析是必不可少的。虽然传统的和基于深度学习的算法流水线为此目的而存在，但它们具有两个主要缺点：多个小时的冗长运行时间（传统）或复杂的后处理，例如网格提取和拓扑校正（基于深度学习）。在这项工作中，我们解决了这两个问题，并提出了Vox2Cortex，一个基于深度学习的算法，直接产生拓扑正确的，三维网格的边界的皮层。Vox2Cortex利用卷积和图形卷积神经网络将初始模板变形为由输入MRI扫描表示的皮质的密集折叠几何形状。我们在三个大脑MRI数据集上进行了广泛的实验，结果表明，我们的网格与该领域最先进的方法重建的网格一样准确，而不需要时间和资源密集型的后处理。为了准确地重建紧密折叠的皮层，我们在测试时使用包含约168，000个顶点的网格，将深度显式重建方法扩展到一个新的水平。
2022-03-18 cs.CV
Learning and Meshing from Deep Implicit Surface Networks Using an Efficient Implementation of Analytic Marching
South China University of Technology（华南理工大学）；University of California at Berkeley（加州大学伯克利分校）
物体或场景表面的重建在计算机视觉、计算机图形学和机器人学中有着巨大的应用。在本文中，我们研究了一个基本的问题，在这种情况下，从一个隐式场函数的零水平集捕获底层表面恢复表面网格。为了实现这一目标，现有的方法依赖于传统的网格化算法，虽然有前途，但由于在行进立方体中使用离散空间采样，它们在隐式表面网络中学习的精度会损失。考虑到具有整流线性单元（ReLU）激活的MLP将其输入空间划分为多个线性区域，我们有动机将这种局部线性与多边形网格的期望结果所拥有的相同属性联系起来。更具体地说，我们确定的线性区域，分区的MLP基于隐式函数，分析细胞和分析面与功能的零级等值面。我们证明了，在温和的条件下，所确定的解析面是保证连接，并形成一个封闭的，分段平面。在此基础上，提出了一种解析推进算法，该算法在解析单元之间进行推进，以精确恢复隐式曲面网络捕获的网格。我们还表明，我们的理论和算法同样适用于先进的MLP与快捷连接和最大池。鉴于并行性质的分析行军，我们贡献AnalyticMesh，一个软件包，支持高效的网格化隐式曲面网络通过CUDA并行计算，网格简化高效的下游处理。我们将我们的方法应用到不同的设置生成形状建模使用隐式曲面网络。大量的实验表明，我们的优势，现有的方法在两个网格的精度和效率。
2021-06-18 cs.CV cs.GR
KidMesh: Computational Mesh Reconstruction for Pediatric Congenital Hydronephrosis Using Deep Neural Networks
School of Basic Medical Sciences, Intelligent Medicine Institute, Fudan University（基础医学学院，智能医学研究院，复旦大学）；School of Medical Imaging, Fujian Medical University（医学影像学院，福建医科大学）；College of Physics and Information Engineering, Fuzhou University（物理与信息工程学院，福州大学）；department of pediatrics, Fuzhou University Affiliated Provincial Hospital（儿科部门，福州大学附属省医院）；Interdisciplinary Institute of Medical Engineering, Fuzhou University（医学工程跨学科研究院，福州大学）
KidMesh通过深度神经网络直接从MRU图像重建CH网格，无需后处理，实现快速准确的肾积水网格重建，为尿动力学模拟提供支持。
2026-02-09 cs.AI cs.CV
Delving Deep into Pixel Alignment Feature for Accurate Multi-view Human Mesh Recovery
Tsinghua University（清华大学）
本文提出迭代式 PaFF 框架，通过像素对齐反馈特征与逐顶点融合改进多视角人体网格恢复，并解耦全局位姿，在 Human3.6M 上取得 33.02 MPJPE。
2023-01-15 cs.CV eess.IV
TetGAN: A Convolutional Neural Network for Tetrahedral Mesh Generation
University of Chicago（芝加哥大学）；Tel Aviv University（特拉维夫大学）；Purdue University（普渡大学）
我们提出了TetGAN，一个用于生成四面体网格的卷积神经网络。我们表示使用不规则的四面体网格编码的占用和位移场的形状。我们的公式可以定义四面体卷积，池化和上采样操作，以合成具有可变拓扑属的显式网格连接。所提出的神经网络层在每个四面体上学习深度特征，并学习在多个尺度上提取空间区域内的模式。我们说明了我们的技术编码成一个语义有意义的潜在空间，可用于形状编辑和合成四面体网格的能力。我们的项目页面位于https://threedle.github.io/tetGAN/。
2022-10-11 cs.CV cs.GR cs.LG
Shape Deformation Networks for Automated Aortic Valve Finite Element Meshing from 3D CT Images
Department of Computer Science, University of Miami（计算机科学系，迈阿密大学）；Sutra Medical Inc（Sutra医疗公司）；Department of Mechanical Engineering, Texas Tech University（机械工程系，德克萨斯技术大学）
本文提出一种结合深度神经网络的模板拟合方法，从3D CT图像生成结构化四边形主动脉瓣网格，通过统一模板确保跨患者网格拓扑一致，并简化损失函数以提升网格质量与建模效率。
2025-11-05 cs.CV cs.LG eess.IV
Leveraging 2D Data to Learn Textured 3D Mesh Generation
IST Austria（奥地利科学技术研究所）；IBM Research Zürich（IBM苏黎世研究院）
已经提出了许多方法用于3D对象的概率生成建模。然而，这些都不能产生有纹理的物体，这使得它们在实际任务中的用途有限。在这项工作中，我们提出了第一个生成模型的纹理三维网格。训练这样的模型传统上需要大量的纹理网格数据集，但不幸的是，现有的网格数据集缺乏详细的纹理。相反，我们提出了一种新的训练方法，允许在没有任何3D信息的情况下从2D图像集合中学习。为此，我们训练我们的模型，通过将每个图像建模为放置在2D背景前面的3D前景对象来解释图像的分布。因此，它学会生成网格，当渲染时，生成与训练集中的图像相似的图像。使用深度网络生成网格时的一个众所周知的问题是自相交的出现，这对于许多用例来说都是有问题的。因此，作为第二个贡献，我们引入了一个新的生成过程的3D网格，保证没有自相交的出现，基于物理直觉，面应该互相推开的方式，因为他们移动。我们对我们的方法进行了广泛的实验，报告了合成数据和自然图像的定量和定性结果。这些表明我们的方法成功地学习为五个具有挑战性的对象类生成合理和多样化的纹理3D样本。
2020-04-08 cs.CV cs.LG
NeMo: Neural Mesh Models of Contrastive Features for Robust 3D Pose Estimation
Johns Hopkins University（约翰斯·霍普金斯大学）
三维位姿估计是计算机视觉中一项具有挑战性但又十分重要的任务。在这项工作中，我们表明，标准的深度学习方法的3D姿态估计是不稳健的对象被部分遮挡或从以前看不见的姿态。受到生成视觉模型对部分遮挡的鲁棒性的启发，我们建议将深度神经网络与对象的3D生成表示集成到统一的神经架构中，我们称之为NeMo。特别是，NeMo在密集的3D网格上的每个顶点学习神经特征激活的生成模型。使用微分渲染，我们估计的3D对象的姿态，通过最小化NeMo和目标图像的特征表示之间的重建误差。为了避免局部最优的重建损失，我们训练的特征提取器，以最大限度地利用对比学习的网格上的各个特征表示之间的距离。我们在PASCAL 3D+、occluded-PASCAL 3D+和ObjectNet 3D上进行的大量实验表明，与标准深度网络相比，NeMo对部分遮挡和不可见姿态的鲁棒性要高得多，同时在常规数据上保持了有竞争力的性能。有趣的是，我们的实验还表明，即使网格表示仅粗略地近似于具有长方体的真实对象几何形状，NeMo也表现得相当好，因此揭示了精确的3D姿态估计不需要详细的3D几何形状。该代码可在https://github.com/Angtian/NeMo上公开获取。
2021-02-04 cs.CV
A Deep Emulator for Secondary Motion of 3D Characters
University of Southern California（南加州大学）；Adobe Research（Adobe 研究院）
在诸如计算机游戏的各种应用中，期望用于动画化3D角色的快速且轻量的方法。我们提出了一种基于学习的方法来增强基于皮肤的动画的3D人物生动的二次运动效果。我们设计了一个神经网络，它对角色模拟网格的每个局部补丁进行编码，其中边缘隐式地对相邻顶点之间的内力进行编码。该网络模拟角色动力学的常微分方程，从当前的加速度，速度和位置预测新的顶点位置。作为一个本地的方法，我们的网络是独立的网格拓扑结构和推广到任意形状的3D字符网格在测试时。我们进一步表示每个顶点的约束和材料属性，如刚度，使我们能够轻松地调整网格不同部分的动态。我们评估我们的方法对各种字符网格和复杂的运动序列。我们的方法可以比基于物理的地面实况模拟效率高30倍以上，并且优于提供快速近似的替代解决方案。
2021-04-11 cs.CV cs.GR
DeepHPS: End-to-end Estimation of 3D Hand Pose and Shape by Learning from Synthetic Depth
DFKI（德国人工智能研究中心）；NUST-SEECS（国立科技大学电气工程与计算机科学学院）
关节手姿态和形状估计是增强现实和动画等基于视觉的应用中的一个重要问题。与仅针对关节位置进行优化的现有方法相比，我们提出了一种完全监督的深度网络，该网络可以学习从单个深度图像中联合估计完整的3D手部网格表示和姿势。为此，采用CNN架构来估计参数表示，即手部姿势、骨骼尺度和复杂形状参数。然后，一个新的手部姿势和形状层，嵌入到我们的深度框架中，产生3D关节位置和手部网格。缺乏足够的具有不同手形的训练数据限制了基于学习的方法的一般性能。此外，手动注释真实数据是次优的。因此，我们提出了SynHand5M：一个百万级的合成数据集，具有精确的联合注释，分割掩模和深度图的网格文件。在基于模型的学习（混合）方法中，我们在我们的数据集和两个公共基准（即NYU和ICVL）上显示了改进的结果。此外，通过采用真实数据和合成数据的联合训练策略，我们在3.7ms内从真实图像恢复出3D手部网格和姿态。
2018-08-28 cs.CV
DVasMesh: Deep Structured Mesh Reconstruction from Vascular Images for Dynamics Modeling of Vessels
Hong Kong Centre for Cerebro-cardiovascular Health Engineering（香港心脑血管健康工程中心）；School of Data Science, City University of Hong Kong（香港城市大学数据科学学院）；State Key Laboratory of Advanced Medical Materials and Devices, ShanghaiTech University（上海科技大学先进医用材料与器件国家重点实验室）；School of Mechanical and Automotive Engineering, Shanghai University of Engineering Science（上海工程技术大学机械与汽车工程学院）；JinFeng Laboratory（金凤实验室）；Department of Biomedical Engineering, City University of Hong Kong（香港城市大学生物医学工程系）
针对现有血管网格生成依赖手动标注、效率低的问题，提出DVasMesh方法，通过四元向量表示顶点、矢量化图模板采样特征、GCN估计变形，从血管图像直接生成结构化六面体网格，大幅提升效率，助力动力学模拟。
2024-12-01 cs.CV eess.IV
From Structured to Unstructured:A Comparative Analysis of Computer Vision and Graph Models in solving Mesh-based PDEs
University of Kassel（卡塞尔大学）
本文对比了计算机视觉与图模型在高性能计算中求解网格偏微分方程的表现，发现以U-Net为代表的计算机视觉模型在结构化、分级及非结构化网格上均展现出优越性，为数据驱动方法提供了新视角。
2024-05-31 cs.CE cs.CV cs.LG
