三维 CAD 模型特征提取的基于集合方法
基于神经特征提取器和图形结构,我们提出了一个新颖的学习系统设计框架,并使用特征空间中的几何结构进行学习问题的建模。我们通过嵌套技术设计学习算法,从数据样本中学习最佳特征,进而应用于现成的网络架构和优化器,同时我们还探讨了多元学习问题,包括条件推理和多模态学习,以及它们与经典方法的联系。
Sep, 2023
这篇研究论文中介绍了如何利用深度学习系统及解释性人工智能方法,结合 NeuroCAD 环境实现对 CAD 模型的评估和识别,旨在开启黑匣子,并找出影响网络决策的几何特征,帮助设计师对装配工艺进行优化。
Jan, 2022
本研究旨在利用神经网络直接从三维 CAD 模型中识别标准和进一步功能,通过机器元素的分类以及 API 中的几何信息来识别标准化零件并补充更多信息。
Jan, 2022
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
本文提出了一种利用区域图和图神经网络来解决 CAD 建模中 reverse engineering 问题的新方法,实验结果表明,相比于以往使用 CSG with parametric primitives 的方法,我们的方法在几何重构精度和重构时间方面都有明显提升,并且能够生成更加合理的建模序列。
Mar, 2021
通过优化映射高维直方图到低维欧氏空间的深度网络,学习代表无序点云中点周围局部几何的特征,其表现出比现有局部特征更高的精度、紧凑性和鲁棒性,可在机器人和三维视觉的不同应用中进行几何配准。
Sep, 2017
本文综述了现有方法,即从未结构化数据,如 3D 点云或多边形网格中恢复 CSG 表示。我们涵盖了多个相关主题并讨论了输入数据的分割和拟合技术。我们从多面体到 CSG 和 B-rep 到 CSG 转换的 CAD 和固体建模技术的角度对技术进行了全面的调查,并研究了来自程序合成、进化技术和深度学习方法的方法。最后,我们讨论了生成表示固体(不仅是 CSG 模型)和更高层次表示(例如基于草图和挤压或基于特征的操作)的计算机程序的技术。
May, 2023