CAPRI-Net：利用自适应图元装配学习紧凑 CAD 形状
计算机视觉与模式识别
2021-04-13 v1 图形学
机器学习
摘要
我们提出 CAPRI-Net，一种用于以自适应图元装配形式学习三维计算机辅助设计（CAD）模型紧凑且可解释的隐式表示的神经网络。我们的网络接受以点云或体素网格形式提供的输入三维形状，并通过构造实体几何（CSG）操作由紧凑的二次曲面图元装配重建该形状。该网络以重建损失进行自监督，无需任何真实形状装配即可获得保真的三维重建，且具有锐利边缘与合理的 CSG 树。尽管 CAD 模型的参数化特性确实使其在局部更具可预测性，但在形状层面存在大量结构与拓扑变化，这对最先进的神经三维形状模型构成了显著的泛化挑战。我们的网络通过针对每个测试形状的自适应训练应对此挑战：我们用预训练于某模型集合上的网络进行微调。我们在 ShapeNet 与 ABC（迄今最大且最多样的 CAD 数据集）上，从重建质量、形状边缘、紧凑性与可解释性方面评估我们的学习框架，以展示相对于当前适用于神经 CAD 重建的替代方法的优越性。
引用
@article{arxiv.2104.05652,
title = {CAPRI-Net: Learning Compact CAD Shapes with Adaptive Primitive Assembly},
author = {Fenggen Yu and Zhiqin Chen and Manyi Li and Aditya Sanghi and Hooman Shayani and Ali Mahdavi-Amiri and Hao Zhang},
journal= {arXiv preprint arXiv:2104.05652},
year = {2021}
}