简约风学术科研场景图表插画素材

图一是ptv3的结构图 图二和图三是师兄自己写的牙齿特征点的小论文的初稿中的两个特征点的网络架构图 请你帮我根据我上传的图一图二图三中架构图的样式生成我创新点一和创新点二的网络架构图 每个创新点至少两个 我在论文中要用 请严谨一点 下面就是我开题报告创新点的内容1）基于解剖学先验引导与多尺度特征融合的牙齿点云区域划分方法a) 牙齿特征点具有显著的多尺度几何特性，如牙尖依赖微小的高频曲率细节，而面轴点（FA点）依赖整体的低频拓扑形态。当前 Point Transformer V3 (PTv3) 采用单一尺度的体素网格进行特征聚合，难以同时兼顾细节锐度与整体轮廓，导致特征提取不充分。因此，设计一种多尺度结构感知Transformer架构MS-Structural-PTv3。该架构构建细、中、粗三路并行的编码器分支，分别捕捉不同频段的几何特征；并引入自适应注意力门控机制（SCF），动态融合多尺度特征，为后续的精确定位提供富含细节与全局语义的高置信度特征区域。 b) 现有的点云序列化策略（如 Z-order）是纯几何导向的，打乱了牙齿固有的解剖学连续性，导致模型难以理解空间逻辑。因此，提出一种解剖学轴向引导的序列化策略。利用主成分分析（PCA）构建牙齿的自适应局部解剖坐标系，引导模型沿着解剖主轴方向对点云进行序列化处理（2）基于图神经网络拓扑约束的级联式特征点定位方法a) 第一阶段的分割模型本质上是逐点分类，缺乏对牙齿整体拓扑结构的显式建模，导致在处理复杂样本时易产生特征点位置漂移或解剖逻辑倒置（如颊舌侧反转）等错误。因此，设计一种基于图注意力推理的牙齿结构矫正网络TSGR-Net。该网络首先通过区域-节点聚合模块，将离散的分割区域浓缩为图节点；然后构建包含解剖学约束边的拓扑图，利用图注意力网络（GAT）在特征点之间进行消息传递与逻辑推理，自动修正违背医学常识的定位错误。 b) 基于体素网格的分割方法受限于网格分辨率，存在固有的量化误差，其预测结果局限于离散的网格中心坐标，难以直接满足正畸临床对于亚毫米级高精度的严苛要求。因此，在 TSGR-Net 中引入残差坐标偏移回归模块。同时，设计拓扑结构约束损失（TSCL），引入边长一致性与形状正则化项，确保最终输出的坐标点不仅精度高