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

摘要

本文提出了一种新颖的基于语义的牙科网格分割方法，该方法利用了网格单元的语义信息，并通过精心设计的图Transformer更准确地捕捉了局部和非局部的依赖关系。此外，他们还对跨域特征进行了自适应特征聚合，以获得高质量的基于单元的3D牙科网格分割结果。
代码地址

方法

他们的网络架构主要包括基于语义的图转换器模块和自适应跨域特征融合模块，如图1所示。最初，他们采用TSGCNet的方法来获取初始的跨域特征，表示为两个N×12矩阵，其中他们的N域特征作为嵌入域。基于语义的图转换器作为一个多尺度编码器，在每个尺度上聚合了在语义距离最小的细胞周围的特征，这些特征由粗语义预测模块提供。通过自适应特征融合模块，将N域特征嵌入以提取更精确的语义信息。随后，对于来自不同尺度的连接特征，分别在两个域中应用全局图转换器块，随后使用相同的自适应策略进行融合，用于后续的基于细胞的分割。

实验结果