NASM：神经各向异性表面网格化
原文中文，约300字，阅读约需1分钟。发表于：。本文提出了一种基于学习的方法NASM，用于各向异性表面网格化，解决了传统方法在计算时间和可扩展性方面的不足。通过使用图神经网络将输入网格嵌入高维欧几里得空间，本文实现了对几何特征和曲率各向异性的有效保持，从而在复杂形状的处理中取得了显著的性能提升。
本文介绍了一种名为Flatten Anything Model (FAM) 的非监督神经网络架构，通过逐点映射实现全局自由边界表面参数化。FAM直接处理离散表面点，降低了对网格质量的要求，适用于无结构点云数据，无需预切割，能够处理复杂拓扑结构。实验结果表明其优越性和广泛适用性。
