先拆掉一个误区

“神经网络处理了 mesh”不等于“神经网络在生成分析网格”。至少要区分：

短期更可信的架构是

$$\text{学习器提出候选} +\text{几何/拓扑内核验证} +\text{优化器修正或回滚}.$$

2019–2021：学习“网格上的表示”而非网格生成

这一阶段的重要价值是找到了合适的数据结构：三角网格、图、B-rep 和对称方向场需要不同的等变表示。它没有消除网格有效性的组合约束。

2022–2024：学习局部决策与分解策略

强化学习之所以适合这里，是因为一个局部 flip 的价值取决于很久以后的闭合和质量。但这也导致 reward 稀疏、状态空间可变和非法动作极多。若 action mask 只靠训练学出，而不是由组合拓扑规则严格生成，模型最终会在分布外输入上产生非法状态。

2025–2026：神经隐式场、polycube 与拓扑操作

可复现入口：

• DL-Polycube
• NeurCross project
• MeshCNN
• MeshGraphNets

五类硬约束不能交给损失函数“差不多学会”

1. 组合合法性：每个面/边的邻接满足目标复形；
2. 流形性：内部面恰邻接两个体单元，边界面恰邻接一个；
3. 几何有效性：$\det J>0$，无自交、无重叠；
4. 边界一致性：特征、材料界面和 CAD 拓扑不能漂移；
5. 全局约束：Euler 特征、holonomy、周期、除子或 hex 奇异图可实现性。

较可靠的做法是让网络预测评分、候选场或动作优先级，由确定性算法构造可行域；若可行域复杂，再使用投影、整数规划、barrier 或回溯保证约束。

数据集比网络结构更可能成为瓶颈

网格论文的数据应同时包含：

• 原始 CAD/B-rep，而不仅是清洗后的三角面；
• 几何单位、容差、特征和材料标签；
• 成功输出，也包括失败输入和失败阶段；
• 多个质量可接受解，而不是把单一人工网格当唯一真值；
• 目标 PDE、边界条件和误差数据；
• 拓扑、尺度、行业来源上的训练/验证/测试隔离。

若同一 CAD 家族的微小变体跨越训练和测试集，测试分数会高估泛化。对 quad/hex，拓扑外推比几何噪声外推更关键。

评价协议

必须同时给出“纯学习器”和“学习器 + 修复器”的指标。否则无法知道质量来自模型，还是来自代价高昂的传统后处理。

与深度学习真正有价值的连接

• 候选排序：学习哪一个局部操作最可能带来长期收益；
• 昂贵代理：近似误差估计、质量评价或全局优化的启发函数；
• 模式识别：识别 CAD 缺陷、可扫掠体、边界层区域和特征曲线；
• 生成先验：预测奇异图、分块或 polycube 候选，再由精确算法认证；
• 人机交互：从设计意图中提出少量可解释候选，而不是生成一个不可诊断结果。

一个合格的研究问题写法

不要写“用 Transformer 生成六面体网格”。应写成：

在未见过的 B-rep 拓扑上，用模型预测 sheet-collapse 候选排序；每个动作由精确拓扑规则验证。与 greedy 和 ILP 在相同时间预算下比较，是否在 0 非法单元前提下降低奇异边总长度，并保持求解误差？

这句话明确了输入分布、学习变量、硬约束、基线、预算和下游指标，才可形成可证伪研究。

推荐阅读顺序

1. 先读 MeshCNN、BRepNet、MeshGraphNets，理解三类完全不同的任务；
2. 读方向场学习与 RL quad，观察学习模块插在传统管线哪一层；
3. 读 block decomposition、DL-Polycube 和 NeurCross，比较表示与监督信号；
4. 用 2026 两篇综述查漏，再回到原始论文；
5. 最后读 CubeFlipNet，并用 hex ILP 方法作非学习基线。

返回文献地图 · 对应前沿正文