面向参数化点云的约束感知特征学习
计算机视觉与模式识别
2025-07-23 v6
摘要
参数化点云从CAD形状采样而来，在工业制造中日益普遍。大多数针对CAD的深度学习方法关注几何特征，而忽略了CAD形状固有的约束。这限制了它们辨别外观相似但约束不同的CAD形状的能力。为应对这一挑战，我们首先通过简单验证实验分析约束重要性。然后，我们引入一种适合深度学习的约束表示，包含三个组件，并设计了一个约束感知特征学习网络（CstNet），包括两个阶段。第一阶段基于局部特征从BRep数据或点云中提取约束表示，使预训练后对未见数据集具有更好的泛化能力。第二阶段采用注意力层自适应调整三个约束组件的权重，促进约束的有效利用。此外，我们构建了首个多模态参数化用途数据集Param20K，包含约20K个75类CAD实例。在该数据集上，CstNet在分类和旋转鲁棒性上分别比最先进方法提高3.49%和26.17%的准确率。据我们所知，CstNet是首个专为参数化点云分析定制的约束感知深度学习方法。
引用
@article{arxiv.2411.07747,
title = {Constraint-Aware Feature Learning for Parametric Point Cloud},
author = {Xi Cheng and Ruiqi Lei and Di Huang and Zhichao Liao and Fengyuan Piao and Yan Chen and Pingfa Feng and Long Zeng},
journal= {arXiv preprint arXiv:2411.07747},
year = {2025}
}