CVPRJun, 2020

UV-Net: 从边界表示中学习

PDF
TL;DRUV-Net 是一种采用 U 和 V 参数模型几何的边界表示数据的神经网络架构，它还使用图卷积神经网络显式地建模拓扑结构，并在 CAD 建模、制造、机器学习等领域得到应用，并可以优于其他 3D 形状表示方法，如点云、体素和网格。
uv-netneural network architectureboundary representationcad modelinggraph convolutional neural networks
发现论文，激发创造
  • BRepNet: 固体模型拓扑消息传递系统

    本文介绍了一种名为 BRepNet 的神经网络结构，可以直接针对 B-rep 数据结构进行操作，避免了将模型近似为网格或点云的需要，并给出了一个超过 35,000 个由 “建模操作” 注释的 B-rep 模型的数据集。我们证明了 BRepNet 可以比在网格和点云上工作的方法更准确地进行分割。

    Apr, 2021

  • UVStyle-Net: 无监督学习三维样式相似度测量以进行 B-Reps 少样本学习

    提出了一种利用 UVStyle-Net 的 Few-Shot Learning 来度量 B-Reps 中的风格相似性，根据少量正样本学习相对重要性以适应主观的最终用户，并在 CAD 模型的大型未标记公共数据集上展示其功效。

    Apr, 2021

  • 分割与匹配：通过结构感知的 Voronoi 分区学习 B-Reps

    我们介绍了一种新的方法来获取 3D CAD 模型的边界表示（B-Reps），这涉及两个步骤：首先应用空间划分，称为 ``拆分 ''，然后通过`` 拟合 '' 操作在每个划分内导出一个单一的基元。我们的划分旨在产生一组地面真值（GT）B-Rep 基元的经典的 Voronoi 图；我们的方法采用自上而下的结构感知方式，能够明确显示基元的数量和连接关系。我们设计了一个神经网络，通过二进制分类从输入点云或距离场预测 Voronoi 图。我们展示了我们的网络 NVD-Net（神经 Voronoi 图）可以有效地从训练数据学习 CAD 模型的 Voronoi 划分，并具有更好的泛化能力。广泛的实验和评估表明，与现有的替代方法相比，所得到的由参数曲面，曲线和顶点组成的 B-Reps 更加合理，重建质量有了显著的提高。代码将在此 https URL 上发布。

    Jun, 2024

  • 面向多边形几何的通用表示学习

    开发了通用的多边形编码模型 NUFTspec 和 ResNet1D，可以将包括复杂多边形在内的多边形特征编码为嵌入式向量，适用于形状分类和空间关系预测任务。

    Sep, 2022

  • 神经向量场：显式学习的隐式表示

    本文提出了一种新的 3D 表示方法，神经向量场（NVF），该方法充分利用了显式学习过程和隐式函数表示的强大表示能力，通过从查询向表面预测位移并使用矢量场对形状进行建模来打破分辨率和拓扑中的障碍，进而提出了一个基于矢量量化的形状代码本学习方法，最终实现了在不同的评价场景下优于最先进方法的结果，包括完整及非完整形状的构建、类别特定和类别不可知构建、类别未知构建和跨域构建。

    Mar, 2023

  • 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

  • AUV-Net: 学习对齐 UV 贴图用于纹理迁移和合成

    本文针对 3D 形状的纹理表达问题，提出了基于 2D 对齐 UV 映射的 AUV-Net 方法来实现纹理表达对齐，进而方便实现纹理传输、合成和重建。

    Apr, 2022

  • MeshNet: 用于 3D 形状表示的网格神经网络

    本研究提出了一种名为 MeshNet 的 Mesh 神经网络，用于从 Mesh 数据中学习 3D 形状表达，并应用于 3D 形状分类和检索任务，并通过与其他方法的比较，证明了该方法的有效性。

    Nov, 2018

  • BrepGen: 结构化潜在几何体的 B-Rep 生成扩散模型

    BrepGen 是一种基于扩散的生成方法，可直接输出边界表示（B-rep）的计算机辅助设计（CAD）模型，并在 CAD 实体的层次树中表示 B-rep 模型的结构化潜在几何。

    Jan, 2024

  • 图 U-Net

    本文提出了面向图形数据的表示学习的新方法，包括 gPooling 和 gUnpooling，并基于这些方法开发了一种编码器 - 解码器模型 —— 图形 U-Nets，实验结果表明该模型在节点分类和图形分类任务中的性能明显优于先前的模型。

    May, 2019