Aug, 2023

SHARP 挑战 2023：从点云和 3D 扫描中解决 CAD 历史和参数恢复问题。概述、数据集、评估指标和基准模型

PDF
TL;DR通过提供数据集、基准方法和适当的评估指标，本文描述了 SHARP 2023 跟踪的数据集，并提出了一组基准方法，旨在推动 CAD 逆向工程的研究更接近真实世界的情景。
geometric deep learningcad modeling processes3d reverse engineeringsharp challenge 2023baseline methods
发现论文，激发创造
  • SHARP 2020: 首届部分纹理 3D 扫描形状恢复挑战赛结果

    SHARP 2020 是一个研究和基准测试从原始不完整数据中恢复完整纹理三维扫描的方法的挑战，并提出了新的评估标准和数据集。

    Oct, 2020

  • Point2CAD：从 3D 点云到 CAD 模型的逆向工程

    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

  • SepicNet：基于曲线参数推断的三维形状锐边恢复

    介绍了一种新的深度网络 SepicNet 用于检测和参数化 3D 物体的棱角，包括一种自适应点云采样技术，通过大规模数据集的实验表明该方法的边缘检测效果优于现有技术。

    Apr, 2023

  • 重新审视点云分类：一个新的基准数据集和基于真实世界数据的分类模型

    本文研究基于点云数据的深度学习技术在解决三维计算机视觉领域中的经典问题方面的应用。作者介绍了 ScanObjectNN 数据集并展示了其对于点云对象分类问题的挑战性，提出了三个关键的挑战问题，并提出了一些解决方案，最终实现了在背景杂乱的情况下对于点云对象的分类，达到了最佳效果。

    Aug, 2019

  • 计算机辅助设计的几何深度学习：一项综述

    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

  • 稀疏多物体渲染与比较

    通过引入多目标检测网络，本研究在 CAD 模型、3D 形状、姿势估计领域取得了最先进的表现，提高了实例对齐准确度，与多视角方法相当。

    Oct, 2023

  • 从 ShapeNet Core55 进行大规模 3D 形状重建和分割

    用 ShapeNet 数据库的数据和注释介绍了一个大规模的 3D 形状理解基准测试。以部分级别分割 3D 形状和从单个视图图像重建 3D 形状为任务，其中 10 个团队参加了挑战，并且最佳表现团队在两个任务上均优于现有技术。各种 3D 建模方法都被用于这两个任务中，并提出了一些新的深度学习架构。我们总结了每个团队使用的技术和相应的表现，并总结了来自报告结果的主要发现和未来工作的可能趋势。

    Oct, 2017

  • 准确灵活的实例重建的 CAD 先验

    提出一种自动高效的 3D 目标重建方法，利用先验 CAD 模型，通过本文贡献的局部隐式形状模型（LISM）的对象检测方法，可从小型或大型（125m³）物体上高精度重建。

    May, 2017

  • Mask2CAD：通过学习分割和检索实现 3D 形状预测

    本文提出了一种基于 CAD 模型的方法，结合现有的大规模三维模型数据集，构建了一种可以检测现实世界图像中物体的 CAD 模型表示方法，并且证明了与现有技术相比，该方法在真实世界图像中有着优势。

    Jul, 2020

  • 基于三维点云数据的三维对象和场景的分类、识别、分割和重构：综述

    本文综述了现有的三维点云分析技术及其算法、应用场景和目标，介绍了使用的数据集和评估指标，并比较了现有解决方案的性能，最后分析了当前技术面临的挑战和吸引人们注意的未来趋势。

    Jun, 2023