学习稀疏奇异性以用于跨领域设计

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

四边网格重划分中直接预测跨场易受连续性干扰，本研究提出两阶段策略：首先通过神经网络学习稀疏奇点的位置与类型，再采用几何插值方法平滑连接，解决了传统方法人工设计耗时和跨场不连续问题，同时保持坐标不变性和拓扑敏感性。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

在设计满足美学、解剖学和数值要求的四边形网格时，传统方法通常需要大量的手动工作，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，目前直接预测交叉场的方法无法正确处理平滑交叉场的非连续性：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，我们提出先学习稀疏的奇点（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给学习带来了重大挑战。我们将其转换为测地距离场和过采样索引场来解决这个问题。这种精心设计的双阶段策略满足了几个关键要求，如坐标不变性和镶嵌不敏感性，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的准备工作，因为只需要稀疏的注释。

人工智能摘要

人工智能生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍然是论文的主要摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由人工智能生成的通俗语言摘要，您必须具有高级访问权限。