CVPRDec, 2017

CSGNet: 基于神经网络的构造实体几何形状解析器

PDF
TL;DR提出神经架构，输入 2D 或 3D 形状并输出生成形状的程序。程序基于构造实体几何原理，采用循环神经网络以一种自下而上的方式解析输入形状，显著提高了速度和精确性，使用强化学习技术进行训练。
neural architectureconstructive solid geometryreinforcement learningshape detectionpolicy gradient
发现论文，激发创造
  • 神经网络构造实体几何形状解析器

    该研究提出了一种基于深度学习的几何建模技术 CSGNe，旨在将 2D 或 3D 形状转化为构建程序以生成一个简单的，可解释性的生成模型，并通过 policy gradient technique 实现对无程序标注的数据集的训练。

    Dec, 2019

  • 神经引导形状解析器：基于语法的近似推断三维形状区域标签化

    提出了一种名为 Neurally-Guided Shape Parser (NGSP) 的方法，该方法使用 MAP 推断来学习如何为 3D 形状的区域分配细粒度的语义标签，并使用神经向导网络使搜索变得可行。

    Jun, 2021

  • UCSG-Net—— 构造实体几何树的无监督发现

    UCSG-Net 是一种无监督学习的模型，通过可微分指示函数及结合不同的布尔运算符树来预测分解成基元的 CSG 解析树，其在 2D 和 3D 自动编码任务上的表现证明了其可解释性和在 CAD 软件中的可用性。

    Jun, 2020

  • 学习推断和执行三维形状程序

    该研究提出了一种基于自下而上的识别系统和结构符号化程序的 3D 形状程序，通过自监督方式对 3D 形状程序进行学习，具有在不同领域中高精度的 3D 形状重建能力，结合图像到 3D 形状模块，能够实现从 RGB 图像直接推断出 3D 形状程序并重建出更加准确和真实的 3D 形状。

    Jan, 2019

  • 平面几何图形解析

    本文提出了一种基于深度学习和图推理的强大图解析器，通过修改实例分割方法提取几何基元，借助图神经网络（GNN）实现几何关系分析和基元分类，并结合几何特征和先验知识将所有模块集成到名为 PGDPNet 的端到端模型中，该模型实现了所有子任务的高效解决。此外，我们建立了一个名为 PGDP5K 的新的大规模几何图表数据集，进行了实验，并与现有数据集 IMP-Geometry3K 进行比较，发现我们的模型在四个子任务上显着优于现有方法。

    May, 2022

  • CAPRI-Net: 自适应基元装配学习紧凑 CAD 形状

    CAPRI-Net 是一种神经网络，可以通过自适应基元装配体的形式来学习三维计算机辅助设计模型的紧凑且可解释的隐式表示，可对提供为点云或体素网格的输入 3D 形状进行重构并通过构造实体几何 (CSG) 运算来获得齐次组合，该网络通过重建损失进行自监督，而不需要任何真实的形状装配。

    Apr, 2021

  • 3D-PRNN: 使用循环神经网络生成形状基元

    该研究提出了基于 3D 图像的简单部件抽象形状表示方法，使用生成递归神经网络和高斯场生成大规模数据集，得到比另一种形状检索方法更好的结果。

    Aug, 2017

  • CSG-Stump: 一种学习友好的、类 CSG 表示法，用于可解释的形状解析

    该论文介绍了一种名为 CSG-Stump Net 的无监督端到端网络，利用点云学习形状并发现基元建模和操作。 该方法采用三层结构和简单的结构使其适合神经网络，相比基于 CSG 的方法取得了更好的结果。

    Aug, 2021

  • 神经元件：使用可逆神经网络学习表达性三维形状抽象

    本研究介绍了一种新的三维基元表示方法 Neural Parts，该方法使用可逆神经网络定义基元，并通过学习将三维对象解析为语义一致的部件排列，有效地抽象了三维形状并实现了精确的重建。

    Mar, 2021

  • StructureNet: 用于 3D 形状生成的分层图网络

    StructureNet 是一种基于层次图网络的生成模型，可以对以各种方式变形、修改的 3D 形状进行编码。它可以用于生成大量逼真的结构形状几何，也可以通过从未标记的图像、点云或部分扫描中直接发现形状结构，同时还能够用于形状生成、插值和编辑。

    Aug, 2019