CageNet: A Meta-Framework for Learning on Wild Meshes

一句话总结

CageNet 提出一个可配置的”元框架”：用一个单连通、流形的笼子（cage）把结构复杂的”野生网格”包起来，借助广义重心坐标在笼子与原始网格之间建立可微映射，从而让原本只能处理干净流形网格的通用网络（如 DiffusionNet）直接在多连通、非流形、含内部结构的网格上完成分割、蒙皮权重等学习任务。

研究背景

神经网络已经成为几何处理的主力工具，广泛用于形状分类、分割、对应、变形等任务。这些方法中有一类”通用框架”特别受欢迎——它们对不同应用只需替换输入特征和损失函数即可复用，DiffusionNet 就是典型代表。

问题在于，现实中艺术家制作或数据集里存在的网格常常”不干净”：它们有多个连通分量、包含非流形元素、连通性被破坏、甚至混有非三角面。作者把这类网格称为”野生网格”（meshes in the wild）。现有的网格网络架构大多假设输入是流形单连通的，例如 MeshCNN 的卷积模板假设每条边只连接两个面，一旦遇到非流形边就失效；DiffusionNet 在多连通分量上表现也很差，因为信息无法在分离的组件之间传播。

已有的应对思路各有短板：逐问题定制几何算子（如非流形拉普拉斯算子）需要为每种缺陷单独改写网络并重训练，不具可扩展性；先做网格修复再送网络，则常常丢失表面属性或降低几何质量。作者的目标是提供一个通用、可复用的机制，让现成的网格架构无需改造就能直接作用于野生网格。

方法

整体框架

CageNet 的核心思路是”绕开”难处理的原始几何：不直接在野生网格 \(M\) 上跑网络，而是构造一个干净的笼子 \(\tilde{M}\)，在笼子上运行网络，再把结果映射回原网格。给定一个把顶点/面上输入特征 \(x\) 映射为输出特征 \(y\) 的网络 \(F_\Theta\)，其流程为：为 \(M\) 构造单连通流形笼子 \(\tilde{M}\)，定义一个可微映射算子 \(P\) 把笼子上的函数映射到 \(M\) 上；训练与测试都在笼子上应用 \(F_\Theta\)，再用 \(P\) 把输出投影回 \(M\)，损失在原始网格 \(M\) 上计算（训练数据就定义在 \(M\) 上）。值得注意的是，从 \(M\) 到 \(\tilde{M}\) 的反向映射并不需要。

flowchart LR
    A[输入网格 M<br/>多连通/非流形/含内部结构] --> B[构造笼子 M-tilde<br/>单连通流形]
    B --> C[在笼子上计算<br/>输入特征 x-tilde]
    C --> D[网络 F_Theta<br/>DiffusionNet]
    D --> E[笼子输出特征 y-tilde]
    E --> F[映射算子 P<br/>广义重心坐标]
    F --> G[原网格输出 y on M]
    G --> H[在 M 上计算损失<br/>训练数据所在]

关键设计

笼子构造。 笼子需满足四个必要条件：流形、单连通、几何上贴近 \(M\)（减少细节损失）、全自动生成。另有两个”锦上添花”的性质：与输入拓扑等价、\(M\) 位于笼子内部（利于良态权重）。由于现有笼子生成方法都无法同时满足这些必要约束，作者采用了一个朴素方案：计算输入形状的无符号距离场，用 Marching Cubes 抽取 \(\varepsilon\) 等值面；通过对其他组件计算缠绕数（winding number）去除内部组件；若结果仍是多个不相连的分量，则以更大的偏移 \(\varepsilon_{new}=\varepsilon_{old}+\tfrac{1}{2}d_{max}\) 重复，其中 \(d_{max}\) 是两个分离组件间的最大距离，从而保证新等值面单连通；最后用二次误差边坍缩简化到 \(\tilde{m}\) 个面，多数网格取 \(\tilde{m}=12K\)，若未能包住输入则可增至 \(\tilde{m}=24K\)。实验显示结果对面数不敏感。

映射算子 \(P\)。 作者用广义重心坐标构造一个线性映射。对原网格上任一点 \(p\in M\)，其相对于笼子的广义重心坐标为 \(\{\lambda_1(p),\lambda_2(p),\dots,\lambda_{\tilde{n}}(p)\}\) 且 \(\sum_j \lambda_j=1\)。映射算子定义为 \(P(M,\tilde{M},\tilde{y})=C_{\tilde{M}}(X_M)\tilde{y}\)，其中 \(X_M\) 是原网格顶点坐标，\(C_{\tilde{M}}\) 是 \(n\times\tilde{n}\) 矩阵，第 \((i,j)\) 个元素为 \(\lambda_j(p_i)\)。因此 \(y\) 是笼子函数值 \(\tilde{y}\) 的重心坐标加权平均。作者比较了三类坐标：均值坐标（MVC）有闭式表达、无需包裹式笼子、计算高效；调和坐标（harmonic）与双调和坐标（biharmonic）需要包裹式笼子、无闭式解、要解 PDE 优化，代价高。表达力上 MVC 与双调和相近，而调和坐标由于函数由边界值决定，难以表达内部结构的不同函数值。综合表达力与效率，全部实验采用 MVC。

训练与测试。 底层网络采用 DiffusionNet（因其对笼子网格剖分鲁棒，且框架本身通用可换其他网络）。训练前预先算好所有网格的笼子与广义重心坐标。关键点在于损失直接定义在原始数据上：把笼子输出经 \(P\) 映射到原网格顶点，若标注在边或面上则再平均到边/面并施加末端激活。CageNet 能”从干净网格训练、在野生网格测试”实现泛化。

实验结果

作者在两个应用上验证框架：人体分割与蒙皮权重预测。实现基于 PyTorch，训练在单张 NVIDIA RTX A4500（20GB 显存）、128GB 内存的机器上完成。

人体分割

在 Maron 等人的人体分割基准（全为单连通网格）上，CageNet 与其所基于的 DiffusionNet 精度持平，说明”套笼子”不损害干净网格上的表现；而在人为制造的多连通分量网格上（去掉部分面），CageNet 泛化明显更好（DiffusionNet 从 93.9% 跌至 68.7%，CageNet 保持 93.5%）。在把每个测试模型打散为三角汤并随机翻转一半法线的”souped”数据集上，CageNet 仍取得 91.7%，与干净数据集一致。

下表汇总了基准上的分割精度（%）：

方法	精度	方法	精度
GCNN	86.4	MeshWalker	92.7
ACNN	83.7	CGConv	89.9
Toric Cover	88.0	FC	92.5
PointNet++	90.8	DiffusionNet	91.7
MDGCNN	88.6	MeshMAE	90.0
DGCNN	89.7	SubdivNet	93.0
SNGC	91.0	SieveNet	93.2
PFCNN	91.5	CageNet（本文，无增强）	90.4
HSN	91.1	CageNet（本文）	91.7
PD-MeshNet	86.9	CageNet（本文，Souped 数据集）	91.7

作者还引入笼子偏移增强：为每个训练网格在偏移 0.005、0.01、0.015、0.02 处生成多个笼子（模型归一化到单位盒），每个 epoch 随机选一个，测试时用最小偏移。该增强提升了对拓扑噪声的鲁棒性（无增强时精度降至 90.4%），且不增加训练循环时间与推理时间。

蒙皮权重

数据集为 753 个艺术家制作的双足角色（来自 Roblox 平台），保留 75 个作为测试集，所有网格共享同一姿态、朝向与骨架拓扑。输入特征为笼子顶点坐标以及笼子顶点到骨骼的体积测地距离；对每个顶点权重施加 softmax 以满足非负且和为 1。损失由 KL 散度、鼓励稀疏的 \(L_p\) 项与鼓励对称的对称损失组成：\(L=\text{KL}(\hat{s},s)+\lambda_p L_p(\hat{s})+\lambda_{sym}\text{Sym}(\hat{s},s)\)，取 \(p=0.3\)、\(\lambda_p=0.1\)、\(\lambda_{sym}=0.05\)。

与 BBW、GeoVoxel（GV 为默认参数，GV* 为推荐参数）、RigNet 对比，评价指标包括平均 \(L_1\) 误差（越低越好）、精确率、召回率、\(F_1\) 分数、动画帧平均顶点距离与最大顶点距离。”Ours-S”表示对小于 0.2 的权重阈值置零以增强稀疏性。

方法	平均 \(L_1\)	精确率	召回率	\(F_1\)	平均距离	最大距离
BBW	0.575	45.80	97.06	56.58	0.009	0.410
GV	0.687	42.14	99.99	55.54	0.009	0.658
GV*	0.645	75.11	89.24	76.80	0.008	0.7046
RigNet	0.153	98.11	87.17	90.41	0.002	0.697
Ours	0.124	88.70	98.78	91.72	0.002	0.692
Ours-S	0.135	98.09	88.85	91.53	0.002	0.697

CageNet 在平均 \(L_1\) 误差和 \(F_1\) 分数上均最优，平均顶点距离与 RigNet 并列最佳；最大顶点距离由 BBW 取得（因其不受”欧氏近而测地远”区域的影响）。值得强调的是，RigNet 是专门为蒙皮权重设计的网络，而 CageNet 用的是通用网络就达到了相当甚至更好的结果。作者还展示了对三角汤、加噪三角汤与随机翻转法线的鲁棒性，预测结果与原网格基本一致。

消融实验（Roblox 数据集）表明：完整配置（MVC + 全部损失项）平均 \(L_1\) 最优（0.124），紧随其后的是调和坐标（0.127）；去掉 \(L_p\) 损失会因权重不再稀疏导致精确率大幅下降（\(F_1\) 降至 71.15）；去掉对称损失会破坏权重对称性并抬高误差。

亮点与局限

亮点：这是一个”元框架”，把处理野生网格的难题从”逐缺陷改写网络”转化为”统一套一个笼子”，让现成的网格网络零改造直接适用，配置成本极低（只需定义输入特征与损失）。用广义重心坐标构造的可微线性映射简单且高效，MVC 在表达力与速度上取得很好折中。据作者所知，这也是首个用通用网格网络处理蒙皮权重问题的方法（在已知固定骨架的前提下）。

局限：对于存在自交的网格，若相交区域标签或特征值不同则会出问题，因为体积标量函数在同一空间点无法取多值，未来可考虑多值函数（如用多项式系数表示多项式根）；尽管有笼子偏移增强，方法对笼子生成带来的拓扑不一致仍有一定敏感性，更鲁棒的笼子生成或自适应偏移有望改善；框架目前以 DiffusionNet 为例，结合其他网络架构与其他广义重心坐标是有前景的方向；蒙皮应用目前限定于固定骨架拓扑。

延伸思考

CageNet 的价值在于提供了一个”适配层”思路：与其不断为脏数据打补丁，不如把脏数据投影到一个干净的代理域上处理，再映射回来。这种”包裹—映射—回投”的范式本质上是把几何的拓扑复杂性与网络的学习能力解耦，笼子承担了”规整化”的角色。它天然适合体积型标量场任务（分割、蒙皮），但对需要保留精细表面细节或多值信息的任务（如自交区域的差异化标注）就会受限——这也提示笼子的”包裹粒度”与”表达力”之间存在根本权衡。若能把笼子生成本身做成可学习、拓扑自适应的模块，并支持向量场或多值场，这个框架的适用面还能进一步扩大。