May, 2021

AutoMate: CAD 装配自动配对的数据集和学习方法

PDF
TL;DR该研究提出了一种基于边界表示 (BREPs) 的装配建模方法，使用 SB-GCN 进行表征学习，以预测 CAD 类型的 mates 关系，并显示该模型与商业 CAD 系统的兼容性。
发现论文，激发创造
  • Mates2Motion：学习机械 CAD 集成组件的工作原理

    利用深度学习技术对 CAD 表示的机械组件之间的自由度进行推断，通过重新定义配合移动方法以及缩小可能运动的轴线范围，并通过用户研究创建了带有可靠标签的动作注释测试集。

    Aug, 2022

  • 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

  • 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

  • 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

  • 神经装配器：从多视图图像中学习生成细粒度的机器人组装指令

    一篇关于图像引导物体组装的研究论文介绍了一项新任务：将结构 3D 模型的多视角图像（例如，从 3D 对象库中选择的积木构建而成的模型）翻译成可由机器人臂执行的详细组装指令序列。该论文提出了一种名为神经组装者的端到端模型，通过学习图形对象图来识别图像中的组件，并通过边指定 3D 模型的拓扑结构，从而得出组装计划，并进行了全面的实证评估，证明了神经组装者的优越性。

    Apr, 2024

  • 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

  • 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

  • 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

  • 计算机辅助设计作为语言

    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

  • 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