3D Dental Mesh Segmentation Using Semantics-Based Feature Learning with Graph-Transformer

摘要

本文提出了一種新穎的基于語義的牙科網格分割方法，該方法利用了網格單元的語義信息，并通過精心設計的圖Transformer更準確地捕捉了局部和非局部的依賴關系。此外，他們還對跨域特征進行了自適應特征聚合，以獲得高質量的基于單元的3D牙科網格分割結果。
代碼地址

方法

他們的網絡架構主要包括基于語義的圖轉換器模塊和自適應跨域特征融合模塊，如圖1所示。最初，他們采用TSGCNet的方法來獲取初始的跨域特征，表示為兩個N×12矩陣，其中他們的N域特征作為嵌入域。基于語義的圖轉換器作為一個多尺度編碼器，在每個尺度上聚合了在語義距離最小的細胞周圍的特征，這些特征由粗語義預測模塊提供。通過自適應特征融合模塊，將N域特征嵌入以提取更精確的語義信息。隨后，對于來自不同尺度的連接特征，分別在兩個域中應用全局圖轉換器塊，隨后使用相同的自適應策略進行融合，用于后續的基于細胞的分割。

實驗結果