D$^2$CSG：基于双互补分支与丢弃法的紧凑CSG树无监督学习
计算机视觉与模式识别
2023-06-02 v2 图形学
摘要
我们提出DCSG，一种由两个对偶且互补的网络分支组成并带丢弃法的神经模型，用于无监督学习3D CAD形状的紧凑构造实体几何（CSG）表示。我们的网络通过固定顺序的二次曲面图元组装来重建3D形状，两个分支均产生图元交集或其逆的并集。DCSG与所有先前神经CSG模型的一个关键区别在于其专用的残差分支用于组装潜在复杂形状的补集，该补集从覆盖分支建模的整体形状中减去。借助形状补集，我们的网络在理论上具有通用性，而权重丢弃通过移除冗余图元进一步提升了CSG树的紧凑性。我们从定量和定性上证明，DCSG生成的紧凑CSG重建在质量上优于且图元比所有现有替代方法更自然，尤其在复杂和高亏格CAD形状上。
引用
@article{arxiv.2301.11497,
title = {D$^2$CSG: Unsupervised Learning of Compact CSG Trees with Dual Complements and Dropouts},
author = {Fenggen Yu and Qimin Chen and Maham Tanveer and Ali Mahdavi Amiri and Hao Zhang},
journal= {arXiv preprint arXiv:2301.11497},
year = {2023}
}
备注
9 pages