DeepCAD:用于计算机辅助设计模型的深度生成网络
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
几何深度学习在计算机辅助设计领域具有革命性的能力,通过利用基于机器学习的方法,CAD 设计师能够优化其工作流程,节省时间和精力,做出更明智的决策,并创造出创新且实用的设计。这篇综述提供了计算机辅助设计领域中基于学习的方法的全面概述,包括相似性分析和检索、2D 和 3D CAD 模型合成以及基于点云的 CAD 生成。此外,它还提供了完整的基准数据集及其特征,以及推动该领域研究的开源代码。最后的讨论涉及该领域面临的挑战,以及未来潜在的研究方向。
Feb, 2024
通过微调预训练模型创建了 OpenECAD,利用视觉语言模型的视觉、逻辑、编码和通用能力,将 3D 设计图像转换为高度结构化的 2D 草图和 3D 构造命令,并可直接与现有 CAD 工具的 API 一起使用,以生成项目文件。为了训练网络,创建了一个新的 CAD 数据集以满足视觉语言模型的需求。
Jun, 2024
本文提出了一种新颖的计算机辅助设计 (CAD) 的生成模型,通过使用神经编码的三级分层树来表示 CAD 模型的高级设计概念,并且指定目标设计,从而控制 CAD 模型的生成或完成。
Jun, 2023
本文介绍了一种机器学习模型,该模型能够自动生成 CAD 模型中最具挑战性的 2D 草图,并为开发可帮助工程师更轻松创建更好的设计的智能工具铺平了道路。该方法结合了通用语言模型技术和现成的数据序列化协议,适应了领域的复杂性,并在无条件合成和图像转换为草图方面表现出良好的性能。
May, 2021
提出了一种名为 ContrastCAD 的新型对比学习方法,能够有效地捕捉 CAD 模型构造序列中的语义信息。实验证明,该方法在训练不平衡的 CAD 数据集时,通过提出的 CAD 数据增强方法 RRE 显著增强了 Transformer-based 自编码器的学习表现,并且对于具有非常长的构造序列的复杂 CAD 模型也能够表现出鲁棒性。
Apr, 2024
使用基于变换器架构的生成模型 SketchGen 来处理计算机辅助设计中基本段和约束的异构性问题,并证明其在生成完整标志和预测给定图案的约束方面明显优于目前的状态 - of-the-art 模型。
Jun, 2021
本文提出了一种基于草图的 CAD 建模系统,通过深度神经网络对 CAD 操作进行识别,以解决解析二维草图模糊不清的问题,并使用合成的 CAD 操作序列进行训练。实验表明,该系统可以快速创建各种不同的对象,是一种与现有 CAD 建模系统交互的替代方式。
Sep, 2020
介绍 ABC-Dataset,这是一个由一百万个计算机辅助设计 (CAD) 模型组成的数据集,可以用来研究几何深度学习方法和应用,其中每个模型均由显式参数化的曲线和曲面组成,可提供微分量、裂缝分割、几何特征检测和形状重建等方面的真实数据,还可在不同的格式和分辨率下生成数据,为广泛的几何学习算法提供了公正的比较基准,并在数据集中进行规模庞大的曲面法线估计基准测试,比较现有的数据驱动方法及其与地面实况和传统法线估计方法的性能。
Dec, 2018