使用区域图推断 CAD 制模序列
通过将几何指导引入重建网络中,我们提出了一种名为 PS-CAD 的模型,它逐步重建 CAD 建模序列,并通过提供几何表面的几何信息和平面提示来改进重建的效果。在 DeepCAD 数据集上,PS-CAD 在所有度量指标上都有明显的改进,减少了几何错误(CD 和 HD)约 10%,结构错误(ECD 度量)约 15%。
May, 2024
综合建模几何原语的链复形,可精确重建 CAD B-Rep 模型,提出一个新的神经网络框架来推测几何原语之间的关系,并通过全局最大化似然性和几何优化方法恢复一个确定的 B-Rep 链复形,实验表明,该模型比以前的结果更加准确和完整
May, 2022
从点云重建计算机辅助设计(CAD)模型,结合计算机视觉、图形学和机器学习的重要问题。通过分析当前艺术状态并提出混合分析 - 神经重建方案,桥接分割的点云和结构化的 CAD 模型,借助新颖的隐式神经表示法提高表面拟合阶段的性能,达到了新的与该数据集的最新技术水平。
Dec, 2023
计算机辅助设计(CAD)模型生成是一项重要任务,提出了一种利用卷积神经网络、多视角池化和基于转换器的 CAD 序列生成器的网络架构,通过大量的模拟输入图片进行训练和优化,成功地从测试图像数据重建有效的 CAD 模型,并表明该网络的一些能力可以迁移到实际照片领域,然而目前可行的模型复杂度仍然受限于基本形状。
Sep, 2023
提出了基于 Transformer 的 CAD 生成模型,能够自动编码和随机生成 3D 形状,为此创建了一个包含 178,238 个模型的 CAD 数据集,并公开该数据集以促进未来的研究。
May, 2021
本文综述了现有方法,即从未结构化数据,如 3D 点云或多边形网格中恢复 CSG 表示。我们涵盖了多个相关主题并讨论了输入数据的分割和拟合技术。我们从多面体到 CSG 和 B-rep 到 CSG 转换的 CAD 和固体建模技术的角度对技术进行了全面的调查,并研究了来自程序合成、进化技术和深度学习方法的方法。最后,我们讨论了生成表示固体(不仅是 CSG 模型)和更高层次表示(例如基于草图和挤压或基于特征的操作)的计算机程序的技术。
May, 2023
这篇研究论文提出了直接从场景图形中生成形状的第一种方法,并利用图卷积网络(Graph Convolutional Networks)对物体类别、边缘类别、3D 形状和场景布局进行 VAE 训练,从而支持场景生成和修改。
Aug, 2021
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
本文介绍了一种新颖的 3D 重建方法,利用视觉转换器从单一线框图中预测 “场景描述符”,该描述符包含了关键信息,如物体类型、位置、旋转和大小参数,通过使用类似 Blender 或 Rhino Grasshopper 的可编程界面的 3D 建模软件,可以用预测的参数重建 3D 场景,得到易于编辑的精细 3D 模型。实验结果表明,该模型能够准确地重建简单场景,但在复杂场景中存在挑战。
Sep, 2023
UV-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。
Jun, 2020