用于可控 CAD 模型生成的层次化神经编码
计算机视觉与模式识别
2023-07-04 v1 机器学习
摘要
本文提出了一种用于计算机辅助设计（Computer Aided Design, CAD）的新型生成模型，该模型 1）将 CAD 模型的高层设计概念表示为三级层次化神经编码树，从全局部件排布到局部曲线几何；2）通过以编码树指定目标设计来控制 CAD 模型的生成或补全。具体而言，一种带有“掩码跳跃连接”的向量量化 VAE 变体将设计变化提取为三个层级的神经码本。两级级联自回归 Transformer 学习从不完整的 CAD 模型生成编码树，随后按照预期设计补全 CAD 模型。大量实验表明，该模型在随机生成等传统任务上性能优越，同时可在条件生成任务上实现新颖的交互能力。代码见 https://github.com/samxuxiang/hnc-cad。
引用
@article{arxiv.2307.00149,
title = {Hierarchical Neural Coding for Controllable CAD Model Generation},
author = {Xiang Xu and Pradeep Kumar Jayaraman and Joseph G. Lambourne and Karl D. D. Willis and Yasutaka Furukawa},
journal= {arXiv preprint arXiv:2307.00149},
year = {2023}
}
备注
Accepted to ICML 2023. Project website at https://hnc-cad.github.io/