Mesh Denoising Transformer

本文讨论的是网格去噪，旨在去除输入网格中的噪声，同时保留其特征结构，这是一个实际但具有挑战性的任务。尽管近年来学习为基础的网格去噪方法取得了显著进展，但它们的网络设计通常遇到两个主要缺点：依赖于单模几何表示，无法捕捉网格的多方面属性，以及缺乏有效的全局特征聚合，阻碍了它们充分理解网格的综合结构。为了解决这些问题，我们提出了一种先驱性的基于Transformer的网格去噪框架——SurfaceFormer。我们的第一个贡献是开发了一种新的表示方法，称为局部表面描述符，它通过在每个网格面上建立极坐标系统，然后使用测地线从相邻表面采样点来构造。这些点的法线被组织成2D补丁，模仿图像以捕捉局部几何复杂性，而极点和顶点坐标被合并成一个点云来体现空间信息。这种进步克服了网格数据的不规则和非欧几里得特性所带来的障碍，便于与Transformer架构平滑集成。接下来，我们提出了一个双流结构，包括几何编码器分支和空间编码器分支，共同编码局部几何细节和空间信息，以充分探索网格去噪的多模态信息。随后的去噪Transformer模块接收多模态信息，并通过自注意力运算实现高效的全局特征聚合。我们的实验评估表明，这种新方法在客观和主观评估方面均优于现有的最先进方法，在网格去噪方面迈出了重要的一步。

本论文旨在解决网格去噪中的两个主要问题：单模几何表示的依赖性和缺乏有效的全局特征聚合。该论文提出了一种基于Transformer的网格去噪框架，旨在保留网格的特征结构。

论文的关键思路是提出了一种新的表示方式：局部表面描述符，该描述符通过在每个网格面上建立极坐标系统，然后使用测地线从相邻表面采样点来组成。这种表示方式克服了网格数据的不规则和非欧几里得特征，为Transformer架构的顺利集成提供了便利。

本文提出了一种新的表示方法，局部表面描述符，该方法在网格去噪中取得了优异的性能。该论文还提出了一个双流结构，包括几何编码器和空间编码器分支，共同编码局部几何细节和空间信息，以全面探索网格去噪的多模态信息。此外，该论文还进行了实验评估，并在客观和主观评估中均优于现有的最先进方法。

最近在这个领域中，还有一些相关研究，如：Learning to Denoise and Correct Geometrically Unstable Point Clouds，Deep Geometric Prior for Surface Reconstruction，MeshCNN: A Network with an Edge等。