UV-Net：基于边界表示的学习
计算机视觉与模式识别
2021-04-27 v2 机器学习
摘要
我们提出了 UV-Net，一种新颖的神经网络架构与表示，旨在直接处理来自三维 CAD 模型的边界表示（B-rep）数据。B-rep 格式在设计、仿真与制造行业被广泛用于支持复杂且精确的 CAD 建模操作。然而，由于数据结构的复杂性以及其对连续非欧几里得几何实体与离散拓扑实体的双重支持，B-rep 数据在现代机器学习应用中面临一些独特挑战。本文中，我们提出了一种统一的 B-rep 数据表示，利用曲线与曲面的 U 和 V 参数域来建模几何，并利用邻接图显式建模拓扑。这催生了一种独特且高效的网络架构 UV-Net，它以计算与内存高效的方式耦合了图像与图卷积神经网络。为助力未来研究，我们提出了一个合成标注 B-rep 数据集 SolidLetters，其源自人工设计字体并在几何与拓扑上均具变体。最后，我们证明 UV-Net 可在五个数据集上的监督与无监督任务中泛化，同时优于点云、体素与网格等替代性三维形状表示。
引用
@article{arxiv.2006.10211,
title = {UV-Net: Learning from Boundary Representations},
author = {Pradeep Kumar Jayaraman and Aditya Sanghi and Joseph G. Lambourne and Karl D. D. Willis and Thomas Davies and Hooman Shayani and Nigel Morris},
journal= {arXiv preprint arXiv:2006.10211},
year = {2021}
}
备注
CVPR 2021