Jun, 2024

分割与匹配：通过结构感知的 Voronoi 分区学习 B-Reps

PDF
TL;DR我们介绍了一种新的方法来获取 3D CAD 模型的边界表示（B-Reps），这涉及两个步骤：首先应用空间划分，称为 ``拆分 ''，然后通过`` 拟合 '' 操作在每个划分内导出一个单一的基元。我们的划分旨在产生一组地面真值（GT）B-Rep 基元的经典的 Voronoi 图；我们的方法采用自上而下的结构感知方式，能够明确显示基元的数量和连接关系。我们设计了一个神经网络，通过二进制分类从输入点云或距离场预测 Voronoi 图。我们展示了我们的网络 NVD-Net（神经 Voronoi 图）可以有效地从训练数据学习 CAD 模型的 Voronoi 划分，并具有更好的泛化能力。广泛的实验和评估表明，与现有的替代方法相比，所得到的由参数曲面，曲线和顶点组成的 B-Reps 更加合理，重建质量有了显著的提高。代码将在此 https URL 上发布。
boundary representationsb-repsspatial partitioningvoronoi diagramneural voronoi diagrams
发现论文，激发创造
  • UV-Net: 从边界表示中学习

    UV-Net 是一种采用 U 和 V 参数模型几何的边界表示数据的神经网络架构，它还使用图卷积神经网络显式地建模拓扑结构，并在 CAD 建模、制造、机器学习等领域得到应用，并可以优于其他 3D 形状表示方法，如点云、体素和网格。

    Jun, 2020

  • 基于二叉空间划分树网络的网格表示学习

    通过使用计算机图形学经典空间数据结构 BSP，我们设计了一种名为 BSP-Net 的网络模型，它能够无监督地学习表示一个 3D 形状，并通过检测一组面来重构一个多边形网格。该模型生成的网格既密封又紧凑，适合表示尖锐的几何体，并且使用更少的基本元素即可达到与其他现有方法相同的重构质量。

    Jun, 2021

  • VoroMesh：使用 Voronoi 图学习无漏网面

    使用 VoroMesh 作为一种基于 Voronoi 的表示方法，可以有效地生成学习用途的三维形状表面，并且在几何效率和闭合输出方面优于传统的基于网格的算法和最新的基于学习的网格表示方法。

    Aug, 2023

  • 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

  • BSP-Net: 通过二叉空间划分生成紧凑网格

    利用基于二叉树空间分割的 BSP-Net 网络实现了无监督的 3D 形状表示学习及多边形网格生成，可高效地将平面分解成凸多边形，生成的网格紧凑、保证充满且易于参数化。

    Nov, 2019

  • VoronoiNet: 具有局部支持的通用函数逼近器

    本研究提出一种新的深度网络结构，可以将可微分的 Voronoi 图嵌入到生成式深度网络中，从而实现高度紧凑的潜在编码，用于进行各种形状的 2D/3D 重建，同时与最近提出的隐式占据网络进行了比较。

    Dec, 2019

  • UVStyle-Net: 无监督学习三维样式相似度测量以进行 B-Reps 少样本学习

    提出了一种利用 UVStyle-Net 的 Few-Shot Learning 来度量 B-Reps 中的风格相似性，根据少量正样本学习相对重要性以适应主观的最终用户，并在 CAD 模型的大型未标记公共数据集上展示其功效。

    Apr, 2021

  • 通过学习超分割和迭代搜索来拟合紧密边界框的分离、合并和优化

    本研究提出了一种基于神经网络的过分割和迭代合并和细化的新框架，以找到 3D 形状的一组紧密边界框。通过使用现有的无监督分割网络分割形状并获得过分割，应用具有紧密感知合并和停止标准的分层合并。最后，通过基于 MCTS 的多行动探索进一步改进界限框。

    Apr, 2023

  • BrepGen: 结构化潜在几何体的 B-Rep 生成扩散模型

    BrepGen 是一种基于扩散的生成方法，可直接输出边界表示（B-rep）的计算机辅助设计（CAD）模型，并在 CAD 实体的层次树中表示 B-rep 模型的结构化潜在几何。

    Jan, 2024

  • BPNet：三维点云的贝塞尔基元分割

    本论文提出了 BPNet，一种新颖的端到端深度学习框架，用于学习在 3D 点云上的 Bézier 基元分割。通过将 Bézier 分解应用于点云分割，我们能够实现有限形状类别的广义基元分割。我们提出了一个联合优化框架，在级联架构上同时学习 Bézier 基元分割和几何拟合。通过引入软投票正则化器和自动权重嵌入模块，我们使网络更具鲁棒性和通用性。我们还引入了一个重构模块，通过该模块可以同时处理具有不同基元的多个 CAD 模型。我们在合成的 ABC 数据集和实际扫描数据集上进行了大量实验证实并与不同的基准方法进行了比较。实验证明，我们的方法在分割方面具有卓越的性能，并且推理速度显著得更快。

    Jul, 2023