Sep, 2023

自动反向工程：从多视图图像创建计算机辅助设计 (CAD) 模型

PDF
TL;DR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。
computer-aided designcad modelsmulti-view imagesreverse engineeringtransformer-based cad sequence generator
发现论文，激发创造
  • 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

  • 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

  • ContrastCAD：基于对比学习的计算机辅助设计模型表示学习

    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

  • P2CADNet：用于点云参数化三维 CAD 模型的端到端重建网络

    该研究提出了一种从点云中重建特征 CAD 模型的端到端网络 (P2CADNet)，通过结合点云特征提取器、CAD 序列重构器和参数优化器等模块来实现 CAD 模型的精确重建。实验结果表明 P2CADNet 具有出色的重建质量和准确性，并且是首个从点云重建特征 CAD 模型的端到端网络，可作为未来研究的基线。

    Oct, 2023

  • 从 3D 模型学习深度物体检测器

    通过增加合成训练数据，使得含有 3D CAD 模型的深度卷积神经网络（DCNN）训练数据可以更好地适应目标领域，本文详细分析了在没有低级线索（纹理，姿态和背景）的情况下 DCNN 的学习能力，并表明我们的合成 DCNN 训练方法在几乎没有真实数据的情况下可以在 PASCAL VOC2007 数据集上获得更好的性能，并且可以在 Office 基准测试中的域偏移场景中提高性能。

    Dec, 2014

  • 多视卷积网络通过简笔画实现三维形状重建

    一种从 2D 线描图中重建三维形状的方法，采用深度编码器 - 解码器网络将线描图转换为点云，通过多视角深度图和法线图的融合优化得到点云，在维持拓补和形状结构的同时比容积网络具有更高的重建精度和输出表面分辨率。

    Jul, 2017

  • OpenECAD: 一个高效的计算机辅助设计的视觉语言模型

    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

  • 使用卷积神经网络和随机视图聚集提高计算机辅助检测

    本研究设计了一个分层级联的计算机辅助检测系统用于医学影像，包括候选区域的生成和基于卷积神经网络的分类方法，成功提高了三种癌症（骨转移、淋巴结和结直肠息肉）的 CAD 检测性能，并综合展示了该方法在各种医学影像 CAD 检测中的应用前景。

    May, 2015

  • 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

  • 卷积网络的单张图像多视角 3D 模型

    本文提出了一种卷积网络，可以仅仅基于单张图像预测出物体的 RGB 图和深度图，并将多幅深度图融合成完整点云后可转换成表面网格来对任意视野下的三维物体进行识别。网络通过合成的三维车和椅子模型进行训练，在有杂乱背景并搭配真实车辆图像的情况下，仍可生成合理的推测。

    Nov, 2015