Aug, 2020

COALESCE: 通过学习合成连接来组装组件

PDF
TL;DRCOALESCE 是一个利用深度学习综合部件连接的数据驱动框架，可处理部件之间的几何和拓扑不匹配，进而生成自然和明显的部件连接，最终将其组合成一致的 3D 对象。该方法在形状合成方面明显优于现有方法，包括基准深度模型和 State-of-the-Art 方法。
coalescecomponent-based shape assemblydeep learning3d objectshape completion
发现论文，激发创造
  • ComplementMe：三维建模的弱监督组件建议

    该论文提出了一种新型神经网络结构，用于建议配件并将其放置到不完整的三维零件装配中，能够在不需要大量用户输入的情况下设计复杂形状，有望成为非专业形状设计师的强大建模范例。

    Aug, 2017

  • 动态图学习生成三维零件装配

    该论文提出了一种基于动态图卷积神经网络的自主部件组装方法，主要解决了几何和关系推理的部件姿态估计子问题，从而将输入部件组装成一个 3D 形状。

    Jun, 2020

  • JoinABLe: 学习参数化 CAD 接头的自底向上装配

    该研究介绍了一种名为 JoinABLe 的基于学习的装配方法，使用 CAD 文件中的弱监督信息（无需对象类标签或人工指导）组装零件，并通过对实体模型的图形表示进行网络预测，精度（79.53％）接近于人类表现（80％）， 并发布了 Fusion 360 Gallery 装配数据集来支持未来的研究。

    Nov, 2021

  • 利用 SE（3）等变性学习 3D 几何形状装配

    我们提出利用 SE (3) 等变性对形状姿态进行解耦，并在多部分协作方面提供了改进，这大大提高了几何形状装配的性能。

    Sep, 2023

  • 学习组装几何形状

    这篇研究论文提出了一种基于学习的方法，用于解决组装任意形状的无纹理碎片的问题，并展示了该方法在不同情境下的有效性。

    May, 2022

  • RGL-NET：一种递归图学习框架，用于渐进式零件组装

    本文提出了一种基于递归图学习的自主组装物体的新方法，通过考虑零件之间的相互关系和部件姿态的逐步更新，实现了对具有结构变异的物体的组装。该网络在 PartNet 数据集上相对于现有技术实现了 10% 的部件精度和 15% 的连通性精度的提升，同时具备从点云组件中恢复形状结构的潜在应用。实验证明了该方法的有效性。

    Jul, 2021

  • 基于注意力机制的三维体形建模零件拼装

    本文介绍了一种基于注意力的部件组装的 VodAttention 网络架构和通道分离的部件注意力方法，用于处理 3D 形状建模问题。实验结果表明，该方法在处理部件关系感知的 3D 形状建模任务上优于大多数现有的先进方法。

    Apr, 2023

  • ShapeAssembly: 学习生成三维形状结构合成程序

    本文提出了一种面向领域的 3D 形状结构的组装语言 ShapeAssembly， 并训练一个层次顺序 VAE，以从现有形状结构中提取 ShapeAssembly 程序，从而生成可解释和可编辑的 3D 形状。

    Sep, 2020

  • 从单张图片中学习 3D 零件组装

    该文章提出了一种用单张图片指导的三维部件自动组装的方法，该方法采用包括二维三维对应和面向组装的图传递等技术解决难题并证明了其高效性。

    Mar, 2020

  • 多元部分合成用于 3D 形状创建

    采用神经网络合成三维形状的方法中引入了基于部件表示的方法，在过去几年中已经出现。然而，当前方法不容易根据用户的偏好重新生成单个形状部件。本文研究了允许用户生成多个多样化部件建议的技术，特别是实验了先前的形状合成工作中未考虑的多模态深度生成模型。通过在基于部件表示的合成方法中评估这些技术，我们提供了一种比较研究。我们的贡献是定性和定量评估表明，哪种新的多模态部件生成技术表现最佳，并且基于表现最佳技术的合成方法在重构形状时可以更好地控制所生成的三维形状的部件，同时保持高形状保真度。

    Jan, 2024