基于深度学习的 3D 概念设计
计算机视觉与模式识别
2018-08-07 v1
摘要
本文提出一种数据驱动方法以实现快速设计支持，从而生成或开发涵盖多类物体的新颖设计。该方法实现了两个处理 3D 模型数据的最先进变分自编码器。我们的方法构造了一个自定义损失函数。该损失函数包含自编码器特定层的输出，从而获得来自不同 3D 模型类别的不同潜在特征的组合。此外，本文详细说明了如何利用 Princeton ModelNet40 数据库——一个全面的干净 3D CAD 物体模型集合。在将原始 3D 网格文件转换为体素和点云数据类型后，我们得以用相同尺寸维度的数据馈入自编码器。本工作的新颖之处在于利用深度学习方法作为高效的潜在特征提取器来探索未知设计空间。通过该项目，我们期望输出能清晰平滑地解释来自不同类别的模型，以开发快速设计支持来生成新颖形状。这份最终报告将探讨 1) 理论思想，2) 实现变分自编码器以从输入形状获取隐式特征的进展，3) 在 3D 体素数据与 3D 点云数据选定域中训练时输出形状的结果，以及 4) 我们为达成更卓越目标的结论与未来工作。
引用
@article{arxiv.1808.01675,
title = {3D Conceptual Design Using Deep Learning},
author = {Zhangsihao Yang and Haoliang Jiang and Zou Lan},
journal= {arXiv preprint arXiv:1808.01675},
year = {2018}
}