NeurCADRecon：通过强制零高斯曲率重建 CAD 表面的数学表示
计算机视觉与模式识别
2024-04-23 v1
摘要
尽管近期在利用神经符号距离函数（SDF）重建有机模型方面取得了进展，但从低质量无向点云直接重建 CAD 模型的高保真度仍是重大挑战。本文基于 CAD 模型表面由若干表面片组成，且在特征线附近各Approximately developable 的观察，提出了NeurCADRecon方法。该方法自监督，损失函数包含 developability 项，以鼓励高斯曲率趋近于零，同时确保与输入点的忠实度。我们注意到，在拱点处高斯曲率非零，因而引入双谷线来容忍这些拱点的存在。此外，我们发展了动态抽样策略，以应对输入点不完整或稀疏的情况。由于我们得到的神经 SDF 能清晰表现出锐利的特征点/线，用户可轻松从 SDF 中提取特征对齐三角网格，再分解为平滑表面片，大大降低了从 SDF 中恢复参数化 CAD 设计的难度。与现有最新方法的全面比较显示，我们的方法在重建可信赖的 CAD 形状方面具有显著优势。
引用
@article{arxiv.2404.13420,
title = {NeurCADRecon: Neural Representation for Reconstructing CAD Surfaces by Enforcing Zero Gaussian Curvature},
author = {Qiujie Dong and Rui Xu and Pengfei Wang and Shuangmin Chen and Shiqing Xin and Xiaohong Jia and Wenping Wang and Changhe Tu},
journal= {arXiv preprint arXiv:2404.13420},
year = {2024}
}
备注
ACM Transactions on Graphics (SIGGRAPH 2024)