NASM: Neural Anisotropic Surface Meshing

一句话总结

NASM 用图神经网络把输入网格实时嵌入到高维欧氏空间来隐式保留曲率各向异性度量，再在该嵌入上做带高维法向度量的 CVT 优化，从而无需预计算度量场、无需人工标注特征即可生成高质量、特征敏感的各向异性表面网格，且高维嵌入的计算相比传统方法提速约 \(1500\times\)。

研究背景

各向异性网格在几何建模、物理仿真与机械工程中至关重要：在给定网格元素数量下，当三角形的各向异性与曲率张量的特征值、特征向量一致时，可获得对光滑曲面的 \(L_2\) 最优逼近，从而提升仿真的精度、稳定性与效率。

受 Nash 嵌入理论启发，已有工作把复杂的三维各向异性空间映射到更高维的欧氏空间，使各向异性网格生成的计算变得更简单。但现有方法存在几个瓶颈：

• 高维嵌入的计算非常耗时（需要求解与输入网格分辨率相关的线性系统）。
• 多数方法需要预先给定度量场来控制元素拉伸比与朝向，过程繁琐且不鲁棒。
• 处理几何尖锐/弱特征时需要用户手动标注特征边与角点，并在优化中加约束；已有的自动特征恢复方法（如扩展 CVT 目标）只能处理各向同性网格。
• 所有已有方法都是逐模型（model-based）的，难以扩展到从大量不同几何与拓扑的形状批量生成。

作者由此提出两个核心问题：如何在不提供预计算度量场的前提下高效鲁棒地计算高维嵌入；如何自动保留特征地生成高保真、高质量各向异性网格。

方法

整体框架分两大部分：先用神经高维欧氏嵌入网络把输入三维网格逐顶点映射到高维欧氏空间（本文取 8D），使高维空间中的欧氏度量等价于三维空间中基于曲率的各向异性度量；再在该高维嵌入曲面上做高维法向度量 CVT 优化，实现各向同性重网格化，回投到三维即得到特征敏感的各向异性网格与对偶网格。

flowchart LR
    A[输入三维网格] --> B[神经高维嵌入网络<br/>GNN Graph U-Net]
    B --> C[8D 欧氏嵌入曲面]
    C --> D[高维法向度量 CVT<br/>自动微分优化]
    D --> E[回投到 3D<br/>RVD 与对偶网格]
    E --> F[特征敏感各向异性网格]

关键设计一：点积损失学习各向异性度量

各向异性本质是距离与角度的畸变，可用度量下的点积衡量：点 \(x\) 处两向量 \(a,b\) 在度量 \(M(x)\) 下的内积为 \(\langle a,b\rangle_{M(x)}=a^t M(x) b\)。作者构造高维空间 \(\mathbb{R}^m\)，要求高维对应向量的普通欧氏内积等于三维中的度量内积：\(\langle \bar a,\bar b\rangle=\langle a,b\rangle_{M(x)}\)。这可由拉回度量证明：在映射 \(\phi\) 的雅可比 \(J(x)\) 下 \(\bar a=J(x)a\)，于是 \(\langle \bar a,\bar b\rangle=a^t J^t J b\)，其中 \(M(x)=J(x)^t J(x)\)。

据此损失定义在三角面每个内角的两条边向量点积上（均方误差），使学习到的高维嵌入与真值嵌入的度量畸变对齐；每个三角面贡献三项点积损失。为避免网络过拟合局部畸变，再加一项拉普拉斯正则项，最终损失为 \(\mathcal{L}=\mathcal{L}_{dot}+w_{lap}\mathcal{L}_{lap}\)，其中 \(w_{lap}=0.1\)。真值高维嵌入由 SIFHDE2 生成。

关键设计二：GNN 图 U-Net 嵌入网络

利用网格连通性，网络采用图卷积（基于 GraphSAGE 的聚合更新），并在聚合函数中显式引入顶点与邻居间的方向与距离信息：

\[\mathcal{A}(f_i^k,f_j^k)=\big[\,f_j^k,\; f_j^k-f_i^k,\; \lVert f_j^k-f_i^k\rVert_2\,\big].\]

网络是 Graph U-Net 结构，残差块由两层图卷积加跳连、批归一化与 Leaky ReLU 构成，含 5 个下采样块（残差块 + Top-K 池化）与 5 个上采样层。输入 6 通道（顶点坐标 + 法向），输出 5 通道，并把原始三维坐标拼接到输出前部，构成无自交的 8D 嵌入坐标。训练时用旋转（绕三轴 \(\pi/2\)）和镜像（\(xy,xz,yz\) 平面）做数据增强，以均衡各向异性的拉伸方向与拉伸比分布。

关键设计三：高维法向度量 CVT 与自动微分

先把三维法向度量 \(M_T\) 扩展到高维：在对角补 1、其余补 0 得到正交矩阵 \(\mathcal{M}_T\)，不改变高维欧氏距离，但能惩罚偏离高维切平面的重网格顶点；在特征边上，两侧面片法向度量的合力会把顶点吸附到该边，从而自动保留特征。特征敏感的高维 CVT 能量为：

\[E_{hd}(X)=\sum_i \int_{\Omega_i\cap S}\big\lVert \mathcal{M}_T\,[y-x_i]\big\rVert_2^2\, dy.\]

由于各向异性在相邻单元间变化，不能简单地用各向异性的质心与质量替换标准 CVT 梯度。作者通过可微裁剪算法把高维嵌入曲面分解为单纯形三角面片，用闭式表达求 \(E_{hd}\)，并用链式法则与反向模式自动微分求梯度。注意其面片面积 $$

T

$$ 依赖于能量项（不同于仅用 Heron 公式而无度量的 6D CVT），因此需对 Heron 公式也求导。优化用 L-BFGS，RVD 计算用 Geogram，自动微分用 Stan Math Library。最后按重心坐标把 RVD 回投到三维得到各向异性 RVD 与对偶网格；若回投出现翻转元素，则用可终止算法插点修复。

实验结果

在 Thingi10k 数据集上训练（240 个模型经增强得 2400 个，280 个用于测试），并在 MGN 服装数据集（154 个模型）与 FAUST 人体数据集（200 个扫描）上做零微调的泛化测试。评价指标包括表面精度（CD、F1、NC、HD、边缘 ECD/EF1）、各向异性网格质量 \(G_{avg}\) 与计算时间。

下表为在 Thingi10k 选取的 80 个模型（输出顶点数与输入相同，\(\#V_{out}=5982\)）上与 SIFHDE2 的对比。数字忠于原文，其中 CD 单位 \(\times10^{5}\)、HD 单位 \(\times10^{2}\)、ECD 单位 \(\times10^{2}\)，时间单位为秒。

方法	CD ↓	F1 ↑	NC ↑	HD ↓	ECD ↓	EF1 ↑	\(G_{avg}\) ↑	\(T_{em}\) ↓
NASM	0.709	0.978	0.993	0.725	0.066	0.897	0.745	0.029
NASM w/o 法向度量 CVT	0.779	0.972	0.989	0.882	0.137	0.687	0.758	0.029
SIFHDE2	0.808	0.969	0.988	0.949	0.146	0.612	0.729	49.25

NASM 在表面精度、边缘特征保留与嵌入计算时间上全面优于 SIFHDE2，高维嵌入推理仅 \(0.029\) 秒对比 \(49.25\) 秒，约 \(1500\times\) 提速。消融显示：法向度量 CVT 提升了特征保留与表面精度，而一般 CVT 的 \(G_{avg}\) 略高，说明特征保留与各向异性质量间存在权衡。与 LCT 方法在 Rocker Arm、Fertility 上的对比中，NASM 在 CD/F1/NC/HD 上更优，LCT 在 \(G_{avg}\) 上略好。损失消融表明所提点积损失优于 L2 与 Cosine 损失。

亮点与局限

亮点：

• 首个用深度学习与大规模数据集为三维各向异性网格构建高维欧氏嵌入的框架，只需输入网格、无需预计算曲率度量场。
• 点积损失巧妙地把三维各向异性度量编码进高维欧氏内积，配合 GNN 实现实时嵌入，约 \(1500\times\) 提速且可扩展到大批量形状。
• 高维法向度量 CVT + 自动微分，无需人工标注即可自动保留尖锐与弱特征。
• 在未见的 MGN 服装与 FAUST 人体数据集上零微调仍能捕捉开边界、褶皱与细节各向异性。

局限：

• 对顶点非常稀疏、只含平面的 CAD 类模型可能失败，因为此类高质量嵌入难以预测。
• 泛化到其它各向异性度量场需针对特定应用准备相应训练数据集。
• 特征保留与各向异性网格质量间存在权衡，法向度量 CVT 把顶点推向特征时可能扰动各向异性方向与拉伸比。

延伸思考

该工作把”耗时的高维嵌入求解”替换为一次前向推理，是几何处理中”用神经网络摊销传统数值优化”的典型范式，思路可迁移到其它依赖度量场求解的重网格化或参数化任务。一个自然的方向是把高维法向度量 CVT 也整合进可微网络框架，实现端到端的各向异性网格生成，而非当前”神经嵌入 + 独立优化”的两段式流程。此外，作者提到的扩展到大规模三维场景网格生成，以及在流体动力学、动画、医学仿真等仿真下游中验证曲率诱导各向异性网格的收益，都是值得探索的应用落点。度量场泛化依赖专门训练数据这一点，也提示了对更通用、可条件化度量的表征需求。