FoV-Net：基于视场射线投射的旋转不变 CAD B-rep 学习

直接从边界表示（B-rep）进行学习已显著推动了 3D CAD 分析的发展。然而，当前最先进的 B-rep 学习方法依赖绝对坐标和法向来编码全局上下文，使其对旋转高度敏感。我们的实验表明，在对齐基准测试上实现超过 95% 准确率的模型，在任意 $\mathbf{SO}(3)$ 旋转下可能崩溃至 10% 以下。为此，我们引入 FoV-Net，这是第一个在旋转不变 manner 下捕获局部表面几何和全局结构上下文的 B-rep 学习框架。每个面由表示其局部表面几何的局部参考坐标系（LRF）UV 网格表示，以及通过投射射线并记录与相邻面相交点的视场（FoV）网格来捕获周围 3D 环境。轻量级 CNN 提取每个面的特征，然后通过图注意力网络在 B-rep 图上进行传播。FoV-Net 在 B-rep 分类和分割基准测试上实现了最先进的性能，展示了对任意旋转的鲁棒性，同时还需更少的训练数据即可获得强大的性能。