近年來，基于這種三維不規(guī)則數(shù)據(jù)的深度學習發(fā)展迅速，而圖卷積神經(jīng)網(wǎng)絡(luò)應對三維不規(guī)則數(shù)據(jù)的表現(xiàn)尤為突出[2]。

在計算機圖形學中，為了虛擬化真實世界的物體(如人或者動物等)，三維形狀通常需要離散化為網(wǎng)格（mesh），用于真實感渲染。但是，因為設(shè)備的差異或采集方式的不同，很難針對單個三維形狀得到的相同的離散化方式（固定的分辨率和連接關(guān)系）。這種同一個形狀具有不同的離散化方式是計算機圖形學有別于其他學科的一個重要特點，而現(xiàn)有的圖神經(jīng)網(wǎng)絡(luò)無法有效統(tǒng)一不同離散化下的特征，這極大地限制了圖神經(jīng)網(wǎng)絡(luò)在圖形學領(lǐng)域的發(fā)展。

那么，如何解決這一問題呢？

自動化所團隊提出了一種新穎的多尺度圖卷積神經(jīng)網(wǎng)絡(luò)，重點解決了傳統(tǒng)圖卷積神經(jīng)網(wǎng)絡(luò)中圖節(jié)點學習到的特征對圖分辨率和連接關(guān)系敏感的問題。該方法可以實現(xiàn)在低分辨率的三維形狀上學習特征，在高低分辨率形狀之上進行測試，并且保持不同分辨率特征的一致性。

01 研究背景

傳統(tǒng)的圖卷積神經(jīng)網(wǎng)絡(luò)通常聚集1-鄰域（GCN），k-環(huán)鄰域（ChebyGCN）或k-近鄰鄰域（DGCNN）的信息，所以其感受野與分辨率或者圖連接關(guān)系是相關(guān)的。也就是說，在三維形狀的不同離散化下，卷積的感受野對應的形狀語義范圍產(chǎn)生了較大的變化。如何解決這種卷積方式未考慮到針對不同離散化情況所產(chǎn)生的問題，存在較大的挑戰(zhàn)。

02 方法簡述

為解決現(xiàn)有圖卷積神經(jīng)網(wǎng)絡(luò)的問題，團隊設(shè)計了一種多尺度圖卷積神經(jīng)網(wǎng)絡(luò)（multiscale graph convolutional network，MGCN）。如圖1所示，我們發(fā)現(xiàn)，針對不同分辨率和連接關(guān)系的離散化，三維圖譜小波函數(shù)表現(xiàn)出極佳的魯棒性，并且不需要計算測地距離。因此，我們設(shè)計將多尺度的小波函數(shù)嵌入到圖卷積神經(jīng)網(wǎng)絡(luò)的學習當中。