1.一种基于局部注意力机制的三维牙齿模型网格分割方法，其特征在于，包括以下步骤：

采用训练好的三维牙齿模型分割网络对三维牙齿模型中的每一个三角形网格进行判断分类，确定每一个三角形网格所在的区域属于牙龈还是某一颗牙齿，准确找到三维牙齿模型中每颗牙齿所在的完整区域，从而对三维牙齿模型进行准确分割；

三维牙齿模型分割网络先训练后使用，训练好的三维牙齿模型分割网络自动计算出最符合三维牙齿模型几何特征的权重分配，并基于注意力机制对三维牙齿模型进行局部特征的提取，三维牙齿模型分割网络的训练过程包括：S1、根据原始三维牙齿模型中的三角形网格的三个顶点坐标计算三角形网格的中心点坐标，将三角形网格的中心点作为该三角形网格的空间信息，将原始三维牙齿模型中的三角形网格的顶点坐标和中心点坐标进行归一化处理；

S2、采用最远距离下采样FPS从原始三维牙齿模型中的所有网格数据中选取K个中心网格，以每个中心网格作为中心选取K个距离中心网格最近的网格一起构建局部区域，得到K个局部区域；

S3、对K个局部区域进行局部特征提取，得到K个局部区域的局部特征信息；

S4、将得到的K个局部区域的局部特征信息作为K个中心网格的特征信息，舍弃局部网格，保留K个中心网格；

S5、将K个中心网格以及K个中心网格的特征信息作为下一次下采样的输入，令K＝K/2，再采用最远距离下采样FPS从保留的中心网格中选取K个中心网格，以每个中心网格作为中心构建局部区域，得到K个局部区域；重复执行步骤S3‑S5，直到剩余的中心网格数量为原始三维牙齿模型网格个数的1/16时停止下采样，得到三维牙齿模型的多尺度局部特征信息；

S6、利用上采样将现有的网格数据逐步恢复至原始个数，并将每次上采样新恢复网格mjnew

的第一阶段的特征信息fj 与步骤S5获取的多尺度局部特征信息进行融合学习，得到融合学习的结果，将融合学习的结果作为新恢复网格mj的最终特征信息；

S7、重复步骤S6的上采样操作，直到三维牙齿模型中的网格数量恢复到输入的原始三维牙齿模型的网格数量后，将最后一次上采样新恢复网格的最终特征信息输入到三维牙齿模型分割网络的多层感知器中，三维牙齿模型分割网络利用多层感知器进行网格级别的分割结果预测，得到预测结果，把预测结果和真实结果进行损失函数值计算，然后将计算出的损失函数值反馈给三维牙齿模型分割网络，三维牙齿模型分割网络利用Adma优化器对三维牙齿模型分割网络进行网络参数的调整，得到调整参数后的三维牙齿模型分割网络；

S8、再将最后一次上采样新恢复网格的最终特征信息输入到调整参数后的三维牙齿模型分割网络中，多次迭代训练网络，并每次计算三维牙齿模型分割网络的损失函数值，当三维牙齿模型分割网络训练的损失函数值变化连续10轮小于0.0001时，即表示三维牙齿模型分割网络基本收敛，停止迭代训练过程，得到训练好的三维牙齿模型分割网络。

2.根据权利要求1所述的一种基于局部注意力机制的三维牙齿模型网格分割方法，其特征在于，对K个局部区域进行局部特征提取，得到K个局部区域的局部特征信息包括以下步骤：

S31、对于任一局部区域，对中心网格和局部区域内的每个局部网格分别进行空间信息c

增强处理，得到该局部区域内中心网格增强后的特征向量fi 和每个局部网格增强后的特征local

向量f ；

local c

S32、将每个局部网格增强后的特征向量f 与中心网格增强后的特征向量fi的差值、每个局部网格的中心点坐标信息、每个局部网格与中心网格的欧式距离、中心网格的中心点坐标四部分同时输入到三维牙齿模型分割网络的权重学习模块中，三维牙齿模型分割网络的权重学习模块根据局部网格的空间分布自动计算符合三维牙齿模型几何特征的局部网格权重分布；

S33、基于计算出的局部网格权重分布，将每个局部区域内所有局部网格的权重向量进行聚合处理，得到代表该局部区域的局部特征信息；

S34、对每个局部区域进行上述S31‑S33处理，最终得到K个局部区域的局部特征信息。

3.根据权利要求2所述的一种基于局部注意力机制的三维牙齿模型网格分割方法，其特征在于，对中心网格和局部区域内的每个局部网格分别进行空间信息增强处理，具体包括：

对局部网格进行空间信息增强包括：对于局部网格 首先将局部网格 通过多层感知器进行空间信息增强处理，其空间信息增强的计算方式为：其中， 表示局部网格 空间信息增强结果， 表示中心网格 的中心点坐标，表示局部网格的中心点坐标， 表示局部网格的中心点和中心网格 的中心点的坐标差值， 表示向量拼接操作，MLP表示多层感知器操作；

lo

然后将rj 和局部网格 本身的原始特征信息fj进行特征拼接后通过多层感知器进行特征融合学习，得到 更丰富的语义特征，特征融合学习过程如下：local

其中，fj 表示网格 进行融合学习后的新特征向量；

将上述空间信息增强处理和特征融合学习处理应用于所有的局部网格，得到每个局部local

网格增强后的特征向量f ；

c

对中心网格进行空间信息增强包括：对于中心网格 将中心网格fi直接通过多层感知器，获得中心网格增强后的特征向量，计算公式如下：c

fi＝MLP(fi)

c

其中，fi表示中心网格 增强后的特征信息。

4.根据权利要求2所述的一种基于局部注意力机制的三维牙齿模型网格分割方法，其特征在于，局部网格权重的计算方式如下：对于局部网格 其权重向量αj的计算公式为：其中，αj表示局部网格 的权重向量，MLP表示多层感知器操作， 表示中心网格的local

中心点坐标， 表示局部网格的中心点坐标，fj 为局部网格 增强后的特征向量，c

fi表示中心网格 增强后的特征向量。

5.根据权利要求2所述的一种基于局部注意力机制的三维牙齿模型网格分割方法，其特征在于，所述聚合处理包括：将每个局部区域内所有局部网格的权重向量进行加权求和，计算公式如下所示：

其中，G表示聚合后的局部特征信息，k表示局部网格的数量，αj表示局部网格 的权local c

重向量，⊙哈达玛乘积，fj 表示局部网格 增强后的特征信息，fi表示中心网格 增强后的特征信息。

6.根据权利要求1所述的一种基于局部注意力机制的三维牙齿模型网格分割方法，其特征在于，上采样的次数与之前进行的下采样的次数相同，每次上采样会恢复出新的网格，获取新恢复网格的特征向量，步骤如下：S61、对距离新恢复网格mj最近的3个现有网格特征向量求平均，得到新恢复网格mj的第new

一阶段特征信息fj ，如下所示：其中，fi为距离网格mj最近的三个已有网格的特征向量；

old

S62、将新恢复网格mj在下采样前的特征信息fj 与新恢复网格mj的第一阶段的特征信new

息fj 进行融合学习，得到最终融合学习的结果，并将最终融合学习的结果作为新恢复网格mj的最终特征信息。

7.根据权利要求6所述的一种基于局部注意力机制的三维牙齿模型网格分割方法，其特征在于，融合学习方式为：

其中，fj表示最终融合学习的结果，将fj作为网格mj的最终特征信息，MLP表示多层感知new old

器操作，fj 表示新恢复网格mj的第一阶段的特征信息，fj 表示网格mj在下采样之前的特征信息， 表示向量拼接操作。

8.根据权利要求1所述的一种基于局部注意力机制的三维牙齿模型网格分割方法，其特征在于，损失函数值的数学表达如下：其中，Loss表示损失函数值，n表示整个牙齿模型中的网格总数，yi为网格mi的真实分割标签，p(xi)为网络的预测分割标签。