論文の概要: Dmsh: A Multi-Agent Reinforcement Learning Framework for All-Quad Mesh Generation

• arxiv url: http://arxiv.org/abs/2606.10601v1
• Date: Tue, 09 Jun 2026 09:04:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.408169
• Title: Dmsh: A Multi-Agent Reinforcement Learning Framework for All-Quad Mesh Generation
• Title（参考訳）: Dmsh:オールクアッドメッシュ生成のためのマルチエージェント強化学習フレームワーク
• Authors: Anirudh Kalyan, Cosmin Anitescu, Xiaoying Zhuang, Timon Rabczuk, Somdatta Goswami, Sundararajan Natarajan,
• Abstract要約: Dmshは、幾何学的分解と四角形メッシュ生成を統一する最初の完全自動強化学習パイプラインである。 Dmshは、トポロジの単純化、幾何正規化、メッシュ生成を扱う3つの協調エージェントによって問題を分解する。 学習戦略により、単純なドメインから非常に複雑なジオメトリへのスケーラビリティが保証され、種子の分散が抑制される。
• 参考スコア（独自算出の注目度）: 0.30786914102688595
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating high-quality meshes for arbitrary geometries remains a fundamental bottleneck in computational engineering, often demanding heuristic tuning and semi-manual workflows. In this paper, we introduce Dmsh, a first fully automated reinforcement learning pipeline that unifies geometric decomposition and quadrilateral mesh generation within a single learning-based framework. Dmsh decomposes the problem through three coordinated agents handling topology simplification, geometric regularization, and mesh generation. The meshing process is formulated as a Markov Decision Process and solved using a parametric Soft Actor-Critic architecture with decoupled critics, enabling efficient exploration of a hybrid discrete-continuous action space. A curriculum learning strategy ensures scalability from simple domains to highly complex geometries, suppressing seed variance. By design, the recursive decomposition enables parallel meshing of subregions, yielding globally conforming all-quadrilateral meshes without post hoc correction. Across a wide range of benchmarks, Dmsh consistently outperforms existing methods in automation, robustness, and mesh quality, establishing a new paradigm for learning-based mesh generation.
• Abstract（参考訳）: 任意のジオメトリのために高品質なメッシュを生成することは、しばしばヒューリスティックなチューニングと半マニュアルのワークフローを必要とする計算工学の基本的なボトルネックである。 本稿では,1つの学習フレームワーク内での幾何学的分解と4次メッシュ生成を統一する,最初の完全自動強化学習パイプラインであるDmshを紹介する。 Dmshは、トポロジの単純化、幾何正規化、メッシュ生成を扱う3つの協調エージェントによって問題を分解する。 メッシュ化プロセスはマルコフ決定プロセスとして定式化され、分離された批判を伴うパラメトリックなソフトアクター・クリティカルアーキテクチャを用いて解決され、ハイブリッド離散連続アクション空間の効率的な探索を可能にする。 カリキュラム学習戦略により、単純なドメインから非常に複雑なジオメトリへのスケーラビリティが保証され、種子の分散が抑制される。 再帰的分解により、サブリージョンの並列メッシュ化が可能となり、全四角形メッシュはポストホック補正なしでグローバルに適合する。 幅広いベンチマークにおいて、Dmshは、自動化、堅牢性、メッシュ品質の既存のメソッドを一貫して上回り、学習ベースのメッシュ生成のための新しいパラダイムを確立している。

関連論文リスト

• ExMesh: EXplicit Mesh Reconstruction with Topology Adaptation [36.887001139824456]
  明示的なメッシュを直接最適化する新しいフレームワークであるExMeshを提案する。 ExMeshは精度とメッシュの簡潔さのバランスがとれることを示す。
  論文  参考訳（メタデータ） (2026-06-05T13:59:58Z)
• MeshWeaver: Sparse-Voxel-Guided Surface Weaving for Autoregressive Mesh Generation [53.06620176910962]
  MeshWeaverは、メッシュ生成を表面織布プロセスとして扱う自動回帰フレームワークである。 MeshWeaverは18%の最先端圧縮比を実現し、最大16K面のメッシュを生成することができ、以前のアプローチよりも幾何的忠実性を大幅に向上する。
  論文  参考訳（メタデータ） (2026-06-03T10:15:43Z)
• Iskra: A System for Inverse Geometry Processing [9.468513206619274]
  我々のシステムは、既存の高速問題固有のスキームを利用して、幅広い幾何学的アルゴリズムのクラスを区別する。 機械学習フレームワークと互換性があり、逆幾何処理アプリケーションの新しいクラスへの扉を開く。
  論文  参考訳（メタデータ） (2026-02-12T15:59:06Z)
• MeshMosaic: Scaling Artist Mesh Generation via Local-to-Global Assembly [62.48017648785026]
  MeshMosaicは,100K以上の三角形にスケールするアーティストメッシュ生成のための,新たなローカル・グローバルなフレームワークである。 MeshMosaicは,幾何学的忠実度とユーザの好みの両方において,最先端の手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-09-24T11:02:03Z)
• Data-Driven Adaptive Gradient Recovery for Unstructured Finite Volume Computations [0.0]
  双曲的保存則に対する非構造有限体積法における勾配再構成の強化のための新しいデータ駆動手法を提案する。 提案手法は,DeepONetアーキテクチャを改良して,従来の構造化グリッド手法を非構造化メッシュに拡張する。 提案アルゴリズムは従来の2階有限体積解法よりも高速かつ高精度である。
  論文  参考訳（メタデータ） (2025-07-22T13:23:57Z)
• SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
  本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。 私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。 アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
  論文  参考訳（メタデータ） (2024-09-30T17:59:03Z)
• DepGraph: Towards Any Structural Pruning [68.40343338847664]
  我々は、CNN、RNN、GNN、Transformersのような任意のアーキテクチャの一般的な構造解析について研究する。 本稿では,階層間の依存関係を明示的にモデル化し,包括的にグループ化してプルーニングを行う汎用かつ完全自動な手法であるemphDependency Graph(DepGraph)を提案する。 本研究では,画像用ResNe(X)t,DenseNet,MobileNet,Vision Transformer,グラフ用GAT,3Dポイントクラウド用DGCNN,言語用LSTMなど,さまざまなアーキテクチャやタスクに関する手法を広範囲に評価し,言語用LSTMと並行して示す。
  論文  参考訳（メタデータ） (2023-01-30T14:02:33Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。