基于曲率驱动的多流图神经网络三维网格去噪方法及系统

技术领域

本发明涉及计算机图形学技术领域，尤其涉及一种基于曲率驱动的多流图神经网络三维网格去噪方法、系统、终端及计算机可读存储介质。

背景技术

随着科技的发展，三维网格在日常生活、工业制造和学术研究中被广泛使用，然而由扫描仪获得的三维网格通常包含随机噪声，不能直接用于下一步的任务，例如对三维网格的分割，因此需要采用三维网格去噪方法对三维网格进行去噪处理，并且在去除噪声时尽可能保留三维网格的原始几何特征。

目前的三维网格去噪方法主要是数据驱动方法，其中，数据驱动方法主要是使用深度学习的方式来完成对三维网格的去噪，但现有的数据驱动方法对一些具有丰富特征的大型三维网格进行去噪时容易丢失细节，对三维网格的原始几何特征的保留不够充分，从而导致最终对三维网格的分析和理解产生负面影响。

因此，现有技术还有待于改进和发展。

发明内容

本发明的主要目的在于提供一种基于曲率驱动的多流图神经网络三维网格去噪方法、系统、终端及计算机可读存储介质，旨在解决现有技术中对三维网格进行去噪时容易丢失细节，特征保留能力不足，导致后续对三维网格进行处理出现偏差的问题。

为实现上述目的，本发明提供一种基于曲率驱动的多流图神经网络三维网格去噪方法，所述基于曲率驱动的多流图神经网络三维网格去噪方法包括如下步骤：

根据三维网格构建第一网格图数据和第二网格图数据，其中，所述第一网格图数据的节点为顶点，所述第二网格图数据的节点为面片；

将所述第一网格图数据和所述第二网格图数据输入预先训练完成的基于曲率驱动的多流图神经网络，得到每个所述顶点对应的三维去噪顶点坐标和每个所述面片对应的三维去噪面法线向量；

根据每个所述三维去噪顶点坐标对应的多个三维去噪面法线向量对每个所述三维去噪顶点坐标进行顶点更新操作，以完成对所述三维网格的去噪处理。

可选地，所述的基于曲率驱动的多流图神经网络三维网格去噪方法，其中，所述多流图神经网络包括曲率流神经网络、顶点流神经网络和面片流神经网络。

可选地，所述的基于曲率驱动的多流图神经网络三维网格去噪方法，其中，所述将所述第一网格图数据和所述第二网格图数据输入预先训练完成的基于曲率驱动的多流图神经网络，得到每个所述顶点对应的三维去噪顶点坐标和每个所述面片对应的三维去噪面法线向量，具体包括：

计算所述第一网格图数据中每个顶点对应的高斯曲率，并将所有所述高斯曲率输入到所述曲率流神经网络，得到所述第一网格图数据中每个顶点对应的去噪高斯曲率；

根据所述第一网格图数据和所有所述去噪高斯曲率得到顶点流数据，将所述顶点流数据输入到所述顶点流神经网络，得到每个所述顶点对应的三维去噪顶点坐标；

根据所述第二网格图数据和所有所述三维去噪顶点坐标得到面片流数据，将所述面片流数据输入到所述面片流神经网络，得到所述第二网格图数据中每个面片对应的三维去噪面法线向量。

可选地，所述的基于曲率驱动的多流图神经网络三维网格去噪方法，其中，所述根据所述第一网格图数据和所有所述去噪高斯曲率得到顶点流数据，具体包括：

获取所述第一网格图数据中的每个顶点的三维空间坐标和三维顶点法线；

将每个所述顶点对应的三维空间坐标、三维顶点法线和去噪高斯曲率进行串联，得到每个所述顶点对应的顶点流向量；

整合所有所述顶点流向量，得到顶点流数据。

可选地，所述的基于曲率驱动的多流图神经网络三维网格去噪方法，其中，所述根据所述第二网格图数据和所有所述三维去噪顶点坐标得到面片流数据，具体包括：

获取所述第二网格图数据中的每个面片的三维噪声面中心坐标和三维噪声面法线；

根据所有所述三维去噪顶点坐标分别计算每个所述面片对应的三维去噪面中心坐标和三维去噪面法线；

将每个所述面片对应所述三维噪声面中心坐标、所述三维噪声面法线、所述三维去噪面中心坐标和所述三维去噪面法线进行串联，得到每个所述面片对应的面片流向量；

整合所有所述面片流向量，得到面片流数据。

可选地，所述的基于曲率驱动的多流图神经网络三维网格去噪方法，其中，所述根据每个所述三维去噪顶点坐标对应的多个三维去噪面法线向量对每个所述三维去噪顶点坐标进行顶点更新操作，以完成对所述三维网格的去噪处理，具体包括：

获取所有所述三维去噪顶点坐标，并分别获取每个所述三维去噪顶点坐标对应的多个邻域面片；

获取每个所述三维去噪顶点坐标对应的所有邻域面片的三维去噪面法线向量；

根据每个所述三维去噪顶点坐标计算对应的每个邻域面片的几何中心点坐标；

根据每个所述三维去噪顶点坐标对应的多个邻域面片的几何中心点坐标和三维去噪面法线向量对每个所述三维去噪顶点坐标进行顶点更新操作，得到所有所述顶点的最终三维顶点坐标，以完成对三维网格的去噪处理。

可选地，所述的基于曲率驱动的多流图神经网络三维网格去噪方法，其中，所述将所述第一网格图数据和所述第二网格图数据输入预先训练完成的基于曲率驱动的多流图神经网络，之前还包括：

将所述第一网格图数据和所述第二网格图数据输入预先训练完成的图卷积层；

基于所述图卷积层，将所述第一网格图数据和所述第二网格图数据的图特征维度进行统一处理。

此外，为实现上述目的，本发明还提供一种基于曲率驱动的多流图神经网络三维网格去噪系统，其中，所述基于曲率驱动的多流图神经网络三维网格去噪系统包括：

图数据构建模块，用于根据三维网格构建第一网格图数据和第二网格图数据，其中，所述第一网格图数据的节点为顶点，所述第二网格图数据的节点为面片；

面法线生成模块，用于将所述第一网格图数据和所述第二网格图数据输入预先训练完成的基于曲率驱动的多流图神经网络，得到每个所述顶点对应的三维去噪顶点坐标和每个所述面片对应的三维去噪面法线向量；

去噪处理模块，用于根据每个所述三维去噪顶点坐标对应的多个三维去噪面法线向量对每个所述三维去噪顶点坐标进行顶点更新操作，以完成对所述三维网格的去噪处理。

此外，为实现上述目的，本发明还提供一种终端，其中，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于曲率驱动的多流图神经网络三维网格去噪程序，所述基于曲率驱动的多流图神经网络三维网格去噪程序被所述处理器执行时实现如上所述的基于曲率驱动的多流图神经网络三维网格去噪方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有基于曲率驱动的多流图神经网络三维网格去噪程序，所述基于曲率驱动的多流图神经网络三维网格去噪程序被处理器执行时实现如上所述的基于曲率驱动的多流图神经网络三维网格去噪方法的步骤。

本发明中，根据三维网格构建第一网格图数据和第二网格图数据，其中，所述第一网格图数据的节点为顶点，所述第二网格图数据的节点为面片；将所述第一网格图数据和所述第二网格图数据输入预先训练完成的基于曲率驱动的多流图神经网络，得到每个所述顶点对应的三维去噪顶点坐标和每个所述面片对应的三维去噪面法线向量；根据每个所述三维去噪顶点坐标对应的多个三维去噪面法线向量对每个所述三维去噪顶点坐标进行顶点更新操作，以完成对所述三维网格的去噪处理。本发明通过基于高斯曲率的多流图神经网络对三维网格进行去噪，提高了特征保留去噪的性能，提高了去噪处理完的三维网格的质量，从而使得后续能够更好地对三维网格进行理解和解释，提升了三维网格的可读性和可解释性。

附图说明

图1是本发明基于曲率驱动的多流图神经网络三维网格去噪方法的较佳实施例的流程图；

图2是本发明基于曲率驱动的多流图神经网络三维网格去噪方法的较佳实施例中第一网格图数据的示意图；

图3是本发明基于曲率驱动的多流图神经网络三维网格去噪方法的较佳实施例中第二网格图数据的示意图；

图4是本发明基于曲率驱动的多流图神经网络三维网格去噪方法的较佳实施例中残差稠密连接图卷积块的示意图；

图5是本发明基于曲率驱动的多流图神经网络三维网格去噪方法的较佳实施例中多图流神经网络的示意图；

图6是本发明基于曲率驱动的多流图神经网络三维网格去噪方法的较佳实施例的完整流程图；

图7是本发明基于曲率驱动的多流图神经网络三维网格去噪方法的较佳实施例的高斯曲率示意图；

图8是本发明基于曲率驱动的多流图神经网络三维网格去噪系统的较佳实施例的原理示意图；

图9为本发明终端的较佳实施例的运行环境示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明较佳实施例所述的基于曲率驱动的多流图神经网络三维网格去噪方法，如图1所示，所述基于曲率驱动的多流图神经网络三维网格去噪方法包括以下步骤：

步骤S10、根据三维网格构建第一网格图数据和第二网格图数据，其中，所述第一网格图数据的节点为顶点，所述第二网格图数据的节点为面片。

具体地，顶点和面片构成了三维网格M{V,F}的基本单元，其中，V表示顶点，F表示面片，顶点和面片的拓扑连接构成了三维网格的数据，因此，根据三维网格可以构建以顶点为节点的第一网格图数据G

步骤S20、将所述第一网格图数据和所述第二网格图数据输入预先训练完成的基于曲率驱动的多流图神经网络，得到每个所述顶点对应的三维去噪顶点坐标和每个所述面片对应的三维去噪面法线向量。

具体地，在本发明的优选实施例中，由于三维网格是非欧几里的结构化数据，不适合采用传统的CNN(卷积神经网络)框架进行处理，因此，在本发明中采用GCN(图卷积神经网络)框架作为基本构建块，构建本发明的多流图神经网络，从而能够从三维网格中提取几何特征。

对于输入GCN网络的图节点i和图节点j，图节点i的节点特征h

对于像三维网格去噪这样的复杂任务，浅层GCN网络很难达到需要的性能，因此，如图4所示，本发明中采用了残差稠密连接机制来设计深层GCN网络，对于n层稠密连接机制的残差稠密连接图卷积块(RDGB)，第n层的特征是所有前面层特征的连接，具体为：h

进一步地，所述将所述第一网格图数据和所述第二网格图数据输入预先训练完成的基于曲率驱动的多流图神经网络，得到每个所述顶点对应的三维去噪顶点坐标和每个所述面片对应的三维去噪面法线向量，具体包括：

计算所述第一网格图数据中每个顶点对应的高斯曲率，并将所有所述高斯曲率输入到所述曲率流神经网络，得到所述第一网格图数据中每个顶点对应的去噪高斯曲率；根据所述第一网格图数据和所有所述去噪高斯曲率得到顶点流数据，将所述顶点流数据输入到所述顶点流神经网络，得到每个所述顶点对应的三维去噪顶点坐标；根据所述第二网格图数据和所有所述三维去噪顶点坐标得到面片流数据，将所述面片流数据输入到所述面片流神经网络，得到所述第二网格图数据中每个面片对应的三维去噪面法线向量。

具体地，如图5和图6所示，图5为多流图神经网络的整体架构，多流图神经网络(CDMS-Net)由三个流组成，包括曲率流神经网络、顶点流神经网络和面片流神经网络，每个神经网络都是以图4所示的RDGB的基础构建的，图6则为多流图神经网络去噪的具体流程图。

曲率流神经网络的输入是基于顶点的第一网格图数据G

进一步地，如图7所示，计算三维网格某个顶点v

进一步地，所述根据所述第一网格图数据和所有所述去噪高斯曲率得到顶点流数据，具体包括：

获取所述第一网格图数据中的每个顶点的三维空间坐标和三维顶点法线；将每个所述顶点对应的三维空间坐标、三维顶点法线和去噪高斯曲率进行串联，得到每个所述顶点对应的顶点流向量；整合所有所述顶点流向量，得到顶点流数据。

具体地，顶点流数据实际上为一个7D向量(顶点流向量)的集合，此7D向量由每个顶点的三维空间坐标(3D空间坐标)、三维顶点法线(3D顶点法线)和去噪高斯曲率(1D去噪高斯曲率)组成，所以需要先获取第一网格图数据中每个顶点对应的三维空间坐标和三维顶点法线，再将顶点流神经网络输出的每个顶点对应的去噪高斯曲率和每个顶点的三维空间坐标、三维顶点法线对应进行串联，从而就能得到每个顶点对应的7D向量，再将所有7D向量进行整合，即可得到顶点流数据。

进一步地，所述根据所述第二网格图数据和所有所述三维去噪顶点坐标得到面片流数据，具体包括：

获取所述第二网格图数据中的每个面片的三维噪声面中心坐标和三维噪声面法线；根据所有所述三维去噪顶点坐标分别计算每个所述面片对应的三维去噪面中心坐标和三维去噪面法线；将每个所述面片对应所述三维噪声面中心坐标、所述三维噪声面法线、所述三维去噪面中心坐标和所述三维去噪面法线进行串联，得到每个所述面片对应的面片流向量；整合所有所述面片流向量，得到面片流数据。

具体地，面片流数据实际上为一个12D向量(面片流向量)的集合，此12D向量是由每个面片的三维噪声面中心坐标(3D噪声面中心坐标)、三维噪声面法线(3D噪声面法线)、三维去噪面中心坐标(3D去噪面中心坐标)和三维去噪面法线(3D去噪面法线)组成，所以会先获取每个面片对应的三维噪声面中心坐标和三维噪声面法线，然后再自动根据顶点流神经网络输出的所有三维去噪顶点坐标求解每个面片对应的三维去噪面中心坐标和三维去噪面法线，再将每个面片对应的三维噪声面中心坐标、三维噪声面法线、三维去噪面中心坐标和三维去噪面法线进行串联，得到每个面片对应的12D向量，再将所有12D向量进行整合，即可得到面片流数据。

进一步地，所述将所述第一网格图数据和所述第二网格图数据输入预先训练完成的基于曲率驱动的多流图神经网络，之前还包括：

将所述第一网格图数据和所述第二网格图数据输入预先训练完成的图卷积层；基于所述图卷积层，将所述第一网格图数据和所述第二网格图数据的图特征维度进行统一处理。

具体地，如图5所示，因为后续的三个RDGB块都是一样的输入维度，在将第一网格图数据和第二网格图数据输入到多流图神经网络之前，会先将第一网格图数据和第二网格图数据输入到预先训练完成的图卷积层(GCN)，从而将第一网格图数据和第二网格图数据的图特征维度学习成统一维度，简化了计算过程，提高了计算的效率。

步骤S30、根据每个所述三维去噪顶点坐标对应的多个三维去噪面法线向量对每个所述三维去噪顶点坐标进行顶点更新操作，以完成对所述三维网格的去噪处理。

具体地，在面片流神经网络输出了每个面片对应的三维去噪面法线后，需要根据每个三维去噪顶点坐标对应的多个三维去噪面法线对每个三维去噪顶点坐标进行顶点更新操作，三维去噪顶点坐标对应的三维去噪面法线实际上就是三维去噪顶点的1-ring邻域面片。

进一步地，所述根据每个所述三维去噪顶点坐标对应的多个三维去噪面法线向量对每个所述三维去噪顶点坐标进行顶点更新操作，以完成对所述三维网格的去噪处理，具体包括：

获取所有所述三维去噪顶点坐标，并分别获取每个所述三维去噪顶点坐标对应的多个邻域面片；获取每个所述三维去噪顶点坐标对应的所有邻域面片的三维去噪面法线向量；根据每个所述三维去噪顶点坐标计算对应的每个邻域面片的几何中心点坐标；根据每个所述三维去噪顶点坐标对应的多个邻域面片的几何中心点坐标和三维去噪面法线向量对每个所述三维去噪顶点坐标进行顶点更新操作，得到所有所述顶点的最终三维顶点坐标，以完成对三维网格的去噪处理。

具体地，先获取顶点流神经网络输出的所有三维去噪顶点坐标，然后再分别获取每个三维去噪顶点坐标的1-ring邻域面片，再分别从面片流神经网络输出的所有三维去噪面法线向量中获取每个邻域面片对应的三维去噪面法线向量，再根据所有三维去噪顶点坐标分别计算出每个邻域面片的几何中心点坐标(因为面片为三角形面片，所以三角形面片三个顶点对应的三维去噪顶点坐标即可求出面片的几何中心店)，然后再根据每个三维去噪顶点坐标对应的多个领域面片的几何中心点坐标和三维去噪面法线向量对每个三维去噪顶点坐标进行顶点更新操作，具体公式为：

进一步地，在本发明的多流图神经网络训练的过程中，采用Loss函数(损失函数)对多流图神经网络进行约束，约束高斯曲率、顶点坐标和面法线的学习，使得能够靠近无噪声时的真值，达到去噪目的，因此，在本发明的优选实施例中，对损失函数设置对应三个变量，分别对应高斯曲率、顶点坐标和面法线，并且在损失函数中使用l

进一步地，如图8所示，基于上述基于曲率驱动的多流图神经网络三维网格去噪方法，本发明还相应提供了一种基于曲率驱动的多流图神经网络三维网格去噪系统，其中，所述基于曲率驱动的多流图神经网络三维网格去噪系统包括：

图数据构建模块51，用于根据三维网格构建第一网格图数据和第二网格图数据，其中，所述第一网格图数据的节点为顶点，所述第二网格图数据的节点为面片；

面法线生成模块52，用于将所述第一网格图数据和所述第二网格图数据输入预先训练完成的基于曲率驱动的多流图神经网络，得到每个所述顶点对应的三维去噪顶点坐标和每个所述面片对应的三维去噪面法线向量；

去噪处理模块53，用于根据每个所述三维去噪顶点坐标对应的多个三维去噪面法线向量对每个所述三维去噪顶点坐标进行顶点更新操作，以完成对所述三维网格的去噪处理。

进一步地，如图9所示，基于上述基于曲率驱动的多流图神经网络三维网格去噪方法和系统，本发明还相应提供了一种终端，所述终端包括处理器10、存储器20及显示器30。图9仅示出了终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

所述存储器20在一些实施例中可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据，例如所述安装终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有基于曲率驱动的多流图神经网络三维网格去噪程序40，该基于曲率驱动的多流图神经网络三维网格去噪程序40可被处理器10所执行，从而实现本申请中基于曲率驱动的多流图神经网络三维网格去噪方法。

所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述基于曲率驱动的多流图神经网络三维网格去噪方法等。

所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。所述显示器30用于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的部件10-30通过系统总线相互通信。

在一实施例中，当处理器10执行所述存储器20中基于曲率驱动的多流图神经网络三维网格去噪程序40时实现以下步骤：

根据三维网格构建第一网格图数据和第二网格图数据，其中，所述第一网格图数据的节点为顶点，所述第二网格图数据的节点为面片；

将所述第一网格图数据和所述第二网格图数据输入预先训练完成的基于曲率驱动的多流图神经网络，得到每个所述顶点对应的三维去噪顶点坐标和每个所述面片对应的三维去噪面法线向量；

根据每个所述三维去噪顶点坐标对应的多个三维去噪面法线向量对每个所述三维去噪顶点坐标进行顶点更新操作，以完成对所述三维网格的去噪处理。

其中，所述多流图神经网络包括曲率流神经网络、顶点流神经网络和面片流神经网络。

其中，所述将所述第一网格图数据和所述第二网格图数据输入预先训练完成的基于曲率驱动的多流图神经网络，得到每个所述顶点对应的三维去噪顶点坐标和每个所述面片对应的三维去噪面法线向量，具体包括：

计算所述第一网格图数据中每个顶点对应的高斯曲率，并将所有所述高斯曲率输入到所述曲率流神经网络，得到所述第一网格图数据中每个顶点对应的去噪高斯曲率；

根据所述第一网格图数据和所有所述去噪高斯曲率得到顶点流数据，将所述顶点流数据输入到所述顶点流神经网络，得到每个所述顶点对应的三维去噪顶点坐标；

根据所述第二网格图数据和所有所述三维去噪顶点坐标得到面片流数据，将所述面片流数据输入到所述面片流神经网络，得到所述第二网格图数据中每个面片对应的三维去噪面法线向量。

其中，所述根据所述第一网格图数据和所有所述去噪高斯曲率得到顶点流数据，具体包括：

获取所述第一网格图数据中的每个顶点的三维空间坐标和三维顶点法线；

将每个所述顶点对应的三维空间坐标、三维顶点法线和去噪高斯曲率进行串联，得到每个所述顶点对应的顶点流向量；

整合所有所述顶点流向量，得到顶点流数据。

其中，所述根据所述第二网格图数据和所有所述三维去噪顶点坐标得到面片流数据，具体包括：

获取所述第二网格图数据中的每个面片的三维噪声面中心坐标和三维噪声面法线；

根据所有所述三维去噪顶点坐标分别计算每个所述面片对应的三维去噪面中心坐标和三维去噪面法线；

将每个所述面片对应所述三维噪声面中心坐标、所述三维噪声面法线、所述三维去噪面中心坐标和所述三维去噪面法线进行串联，得到每个所述面片对应的面片流向量；

整合所有所述面片流向量，得到面片流数据。

其中，所述根据每个所述三维去噪顶点坐标对应的多个三维去噪面法线向量对每个所述三维去噪顶点坐标进行顶点更新操作，以完成对所述三维网格的去噪处理，具体包括：

获取所有所述三维去噪顶点坐标，并分别获取每个所述三维去噪顶点坐标对应的多个邻域面片；

获取每个所述三维去噪顶点坐标对应的所有邻域面片的三维去噪面法线向量；

根据每个所述三维去噪顶点坐标计算对应的每个邻域面片的几何中心点坐标；

根据每个所述三维去噪顶点坐标对应的多个邻域面片的几何中心点坐标和三维去噪面法线向量对每个所述三维去噪顶点坐标进行顶点更新操作，得到所有所述顶点的最终三维顶点坐标，以完成对三维网格的去噪处理。

其中，所述将所述第一网格图数据和所述第二网格图数据输入预先训练完成的基于曲率驱动的多流图神经网络，之前还包括：

将所述第一网格图数据和所述第二网格图数据输入预先训练完成的图卷积层；

基于所述图卷积层，将所述第一网格图数据和所述第二网格图数据的图特征维度进行统一处理。

本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有基于曲率驱动的多流图神经网络三维网格去噪程序，所述基于曲率驱动的多流图神经网络三维网格去噪程序被处理器执行时实现如上所述的基于曲率驱动的多流图神经网络三维网格去噪方法的步骤。

综上所述，本发明提供一种基于曲率驱动的多流图神经网络三维网格去噪方法及系统，所述方法包括：根据三维网格构建第一网格图数据和第二网格图数据，其中，所述第一网格图数据的节点为顶点，所述第二网格图数据的节点为面片；将所述第一网格图数据和所述第二网格图数据输入预先训练完成的基于曲率驱动的多流图神经网络，得到每个所述顶点对应的三维去噪顶点坐标和每个所述面片对应的三维去噪面法线向量；根据每个所述三维去噪顶点坐标对应的多个三维去噪面法线向量对每个所述三维去噪顶点坐标进行顶点更新操作，以完成对所述三维网格的去噪处理。本发明通过基于高斯曲率的多流图神经网络对三维网格进行去噪，提高了特征保留去噪的性能，提高了去噪处理完的三维网格的质量，从而使得后续能够更好地对三维网格进行理解和解释，提升了三维网格的可读性和可解释性。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。

当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的计算机可读存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。