In dieser Arbeit untersuchen wir das Problem der semantischen Annotation von 3D-Modellen, die als Formgraphen dargestellt werden. Lokalisierte Informationen auf Graphen werden funktional dargestellt, sodass Annotationen wie Segmentierung von Teilen oder Schlüsselpunkte lediglich 0-1 Indikatorfunktionen der Knoten sind. Im Vergleich zu Bildern, die als 2D-Gitter dargestellt werden, sind Formgraphen unregelmäßige und nicht isomorphe Datenstrukturen. Um die Vorhersage von Knotenfunktionen durch Faltungsneuronale Netze (CNNs) zu ermöglichen, greifen wir auf die spektrale CNN-Methode zurück, die durch Parametrisierung der Kerne im vom Graph-Laplace-Operator aufgespannten spektralen Bereich Gewichteteilung ermöglicht. In diesem Kontext strebt unser Netzwerk, genannt SyncSpecCNN, zwei wesentliche Herausforderungen an: erstens, wie Koeffizienten geteilt und eine mehrskalige Analyse in verschiedenen Bereichen des Graphen für eine einzelne Form durchgeführt werden kann; zweitens, wie Informationen zwischen verwandten aber unterschiedlichen Formen geteilt werden können, die möglicherweise durch sehr verschiedene Graphen repräsentiert werden. Um diese Ziele zu erreichen, führen wir eine spektrale Parametrisierung erweiterter Faltungskerne sowie ein spektrales Transformer-Netzwerk ein. Experimentell haben wir unsere SyncSpecCNN in verschiedenen Aufgaben getestet, darunter die Segmentierung von 3D-Formteilen und die Vorhersage von 3D-Schlüsselpunkten. Auf allen Benchmark-Datensätzen wurde der Stand der Technik erreicht.请注意，这里“法语”应为“德语”，已为您纠正。希望这段翻译符合您的要求。