Apr, 2021

CAPRI-Net: 自适应基元装配学习紧凑 CAD 形状

PDF
TL;DRCAPRI-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。
capri-netneural network3d computer-aided designprimitive assembliescsg operations
发现论文，激发创造
  • DeepCAD：用于计算机辅助设计模型的深度生成网络

    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

  • 自监督图神经网络用于机械 CAD 检索

    提出了一种基于图神经网络的自监督对比学习方法，用于机械 CAD 检索，可以直接建模参数化 CAD 原始文件，提高检索准确性和效率。

    Jun, 2024

  • 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

  • CSGNet: 基于神经网络的构造实体几何形状解析器

    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。

    Dec, 2017

  • 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

  • AtlasNet: 学习三维表面生成的纸浆方法

    该研究介绍了一种生成 3D 形状表面的方法 ——AtlasNet，它将 3D 形状表示为参数化表面元素的集合，相较于生成体素网格或点云的方法，具有更好的精度和泛化能力，并可以生成任意分辨率的形状。该方法在自编码形状和单视图重建方面取得了比较优异的结果，并且在变形、参数化、超分辨率、匹配和共同分割等方面显示其潜力。

    Feb, 2018

  • 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

  • ACORN：神经场景表示的自适应坐标网络

    提出一种新的混合隐式 - 显式网络架构和训练策略，采用多尺度块坐标分解，并在训练期间自适应分配资源，以适应信号的本地复杂性，可成功将吉卜赛像素图像提高至接近 40dB 峰值信噪比，以及比以前技术更快，更好地表示 3D 形状。

    May, 2021

  • 自动反向工程：从多视图图像创建计算机辅助设计 (CAD) 模型

    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

  • CAD 草图的参数化基元分析与 Vision Transformer

    在工业产品设计中，计算机辅助设计（CAD）草图的设计和分析起着关键作用，主要涉及 CAD 基元及其基元约束。为了解决自回归模型中误差累积和自我监督模型设计的复杂性带来的挑战，我们提出了一个两阶段网络框架。该框架由基元网络和约束网络组成，将草图分析任务转化为一个集合预测问题，以加强对基元和约束的有效处理。通过将目标类型与参数解耦，该模型在减少复杂性的同时增加了灵活性和优化。此外，约束网络还结合了指针模块，明确指示约束参数和基元索引之间的关系，提高了可解释性和性能。对两个公开可用的数据集进行的定性和定量分析证明了该方法的优越性。

    Jun, 2024