【几何深度学习（Geometric Deep Learning）】MeshCNN, Graph U-Net

两段可直接运行的完整示例，分别演示

1. MeshCNN – 在三角网格的边上做卷积、池化与解池化；
2. Graph‑U‑Net – 通过图降采样/上采样实现多分辨率特征提取。

代码均使用 PyTorch + PyTorch‑Geometric，并在注释里说明关键步骤、常见坑点和优化技巧。

⚠️ 运行前准备

pip install torch torchvision torchaudio pytorch-geometric

---

1. MeshCNN 示例

MeshCNN 的核心思想是把 边（edge） 当作一维信号的“像素”，在每条边上做卷积。下面演示一个最小化版本，包含：

• EdgeConv – 基于两条相邻三角形的特征做 1‑D 卷积
• MeshPool – 根据预先计算好的池化映射把网格降采样
• MeshUnpool – 对池化后特征进行上采样（重构原始边数）

import torch
import torch.nn as nn
import torch.nn.functional as