FlatCAD：用于CAD模型的神经SDF快速曲率正则化
图形学
2025-08-26 v2 计算机视觉与模式识别
机器学习
摘要
神经符号距离场（SDF）是神经几何表示的通用基础，但实现CAD风格的可开发性通常需要基于完整Hessian评估和二阶微分的高斯曲率惩罚，这在内存和时间上代价高昂。我们引入一种非对角Weingarten损失，仅正则化表示主曲率之间差距的混合shape算子项，从而平滑曲面。我们提出了两种变体：一种使用六次SDF评估加上一个梯度的有限差分版本，另一种使用单个Hessian-向量积的自动微分版本。两种方法都收敛于精确的混合项，而无需组装完整Hessian。在ABC基准测试中，这些损失与基于Hessian的基线相当或更好，同时将GPU内存和训练时间大约缩短为一半。该方法是即插即用的且与框架无关的，使工程级形状重建能够实现可扩展的曲率感知SDF学习。我们的代码可在 https://flatcad.github.io/ 获取。
引用
@article{arxiv.2506.16627,
title = {FlatCAD: Fast Curvature Regularization of Neural SDFs for CAD Models},
author = {Haotian Yin and Aleksander Plocharski and Michal Jan Wlodarczyk and Mikolaj Kida and Przemyslaw Musialski},
journal= {arXiv preprint arXiv:2506.16627},
year = {2025}
}
备注
Computer Graphics Forum, Proceedings of Pacific Graphics 2025, 12 pages, 10 figures, preprint