VoroMesh：利用 Voronoi 图学习水密表面网格

基于摘要分析。该研究面向三维表面的可学习离散表示问题，提出可微的 Voronoi 表示 VoroMesh，旨在缓解传统多边形网格因不规则性和组合结构而难以用于学习任务的问题，并生成水密的三维形状表面网格。 核心机制是以一组三维点作为生成元，并为每个生成元关联占据状态；在其 Voronoi 图中，选取相邻两个生成元占据状态相反的 Voronoi 面作为形状边界，由此构成目标表面的水密多边形近似。为学习生成元的位置，作者提出 VoroLoss，通过最小化真实表面采样点到最近 Voronoi 面的距离进行优化，且无需显式构造完整 Voronoi 图。摘要未给出损失的具体计算公式及占据状态的学习方式。 作者报告，在 Thingi32 数据集上直接优化 VoroLoss 获得生成元时，该表示相较于公理化网格生成算法及近期基于学习的网格表示体现出几何效率优势。作者还在 ABC 数据集上开展由输入 SDF 网格预测表面网格的任务，报告性能与当前先进方法相当，同时保证输出表面闭合且无自相交。摘要未提供具体指标、数值、数据划分或对照方法名称，因此这些结论仅能按上述任务背景理解，不能据此量化优势。 复现时需核对生成元与占据状态的参数化、VoroLoss 的计算实现、表面采样策略，以及闭合性和无自相交保证的适用条件；实验协议、消融及统计信息尚未验证。本文的主要对象是三维几何表面表示，并非 EEG 解码或 BCI；所给材料不足以建立具体的 BCI 方法迁移路径，不据此推断神经信号任务收益。