MVE-Net: An Automatic 3-D Structured Mesh Validity Evaluation Framework Using Deep Neural Networks

MVE-Net: An Automatic 3-D Structured Mesh Validity Evaluation
Framework Using Deep Neural Networks——方向一笔记

Introduction

现有缺陷：
（1） 由于缺乏通用和绝对的单元形状标准，对于同一网格，不同的度量可能会产生不同的质量结果；
（2） 为了在分析工作量（计算开销）和数值精度之间取得良好的平衡，高质量网格通常需要局部细化区域。
引出DNN，总结一些在DNN上面的工作(前人没有做过的，或者不足的)

然而，这些方法的缺点是在三维网格有效性评估任务中效率低下。
随着许多应用对三维建模的需求不断增加，
三维网格在CFD建模中得到了广泛的应用。处理三维网
格而不是二维网格的有效性带来了新的挑战。首先，还没有出
现一个包含大量三维网格样本的基准数据集。
其次，与手工设计的二维网格特征不同，没有适用
于三维网格表示的类似特性。此外，由于三维网格
并没有任何空间顺序，现有的网络可能会模
糊自然的三维模式和网格样本的不变性。

本工作的贡献点：
1.公开数据集（3D）
2.自动评估：MVE-Net，一种使用深度神经网络的三维网格有效性评估框架

Related works

跳过

数据集介绍（A 3-D CFD mesh benchmark dataset

高质量网格、非正交网格、非平滑网格和低质量网格。

当前版本的数据集包含24576个具有不同网格大小、几何结构和模型的结构化六边形网格。为了提高可靠性，在仔细的数值模拟和手动重新检查之后，数据集中的每个样本都用标签标注。
建议的数据集中有四个质量类别，这些标签可用于约束后续网格质量优化的方向。
表5显示了基准数据集的详细统计信息。

MVE-net

输出数据格式（数据的表示）其中N是称为网格分辨率的网格点的数量。矩阵的每一行包含一个点的坐标。
（类似于点云？）

分类问题：输出类别分数

模型结构：

实验部分

以上看的比较粗糙，对于网络为什么这么设计还有一些没有思考到的地方。