SECAD-Net：通过学习草图-拉伸操作进行自监督 CAD 重建
计算机视觉与模式识别
2023-03-21 v1 图形学
机器学习
摘要
从原始几何逆向工程 CAD 模型是一个经典但费力的研究问题。由于监督设计模式，以往基于学习的方法严重依赖标签，或者重建的 CAD 形状不易编辑。在这项工作中，我们引入了 SECAD-Net，这是一种端到端神经网络，旨在以自监督方式重建紧凑且易于编辑的 CAD 模型。受现代 CAD 软件中最常用建模语言的启发，我们提出从原始形状中学习 2D 草图和 3D 拉伸参数，通过将每个草图从 2D 平面拉伸成 3D 实体，可以从中生成一组拉伸圆柱体。通过结合布尔运算（即并集），这些圆柱体可以组合起来以紧密逼近目标几何形状。我们主张使用隐式场进行草图表示，这允许通过在草图潜在空间中插值潜在代码来创建 CAD 变体。在 ABC 和 Fusion 360 数据集上的大量实验证明了我们方法的有效性，并显示出优于最先进替代方法的性能，包括与监督 CAD 重建密切相关的方法。我们进一步将我们的方法应用于 CAD 编辑和单视图 CAD 重建。代码发布于 https://github.com/BunnySoCrazy/SECAD-Net。
引用
@article{arxiv.2303.10613,
title = {SECAD-Net: Self-Supervised CAD Reconstruction by Learning Sketch-Extrude Operations},
author = {Pu Li and Jianwei Guo and Xiaopeng Zhang and Dong-ming Yan},
journal= {arXiv preprint arXiv:2303.10613},
year = {2023}
}