BRepNet: A topological message passing system for solid models【阅读笔记】

BRepNet: A topological message passing system for solid models【实体模型的拓扑信息传递系统】
2021 CVPR
代码地址: https://github.com/AutodeskAILab/BRepNet

摘要

边界表示(B-rep)模型是计算机辅助设计(CAD)应用程序中描述三维形状的标准方法。它们将轻量的参数曲线和曲面与连接几何实体的拓扑信息相结合来描述流形。在本文中,我们介绍了BRepNet,这是一种神经网络架构,旨在直接操作B-rep数据结构,避免将模型近似为网格或点云。BRepNet根据数据结构中的有向边缘定义了卷积核。在每个边缘的邻域中,可以识别一小部分面、边和边缘,并通过特定的可学习参数检测这些实体的特征向量中的模式。 此外,为了鼓励对brep进行进一步的深度学习研究,我们发布了Fusion 360画廊分割数据集。超过35,000个B-rep模型的集合,其中注释了创建每个面部的建模操作信息。我们证明,与网格和点云的方法相比,BRepNet可以以更高的精度分割这些模型。
上面的总结:BRepNet中的卷积核是根据定向共边及其邻域内的几何实体来定义的,对于每个定向共边,在其邻域内可以识别到一小组相邻的面、边和共边。卷积核可以根据定向共边及其邻域内的几何实体来提取有用的特征信息,并用于神经网络的进一步计算。

介绍

在这里插入图片描述
BRepNet卷积核是根据称为边缘(虚线箭头)的拓扑实体定义的。 每个边缘(红色)相邻的一小组面(灰色)、边缘(黑色)和边缘(蓝色)的特征向量乘以内核中的可学习参数。由卷积产生的隐藏状态可以被池化来执行面分割。

本文的创新点:

  • 提出了BRepNet,一种新的神经网络架构,专门设计用于直接在B-rep数据结构的面和边上操作,并充分利用它们之间的拓扑关系。
  • 发布Fusion 360 Gallery分割数据集来重新激发人们对B-rep分割问题的兴趣。我们第一次提供了超过35000个3D模型的集合,以多种表示形式,用分割标签标注,揭示了用于创建它们的建模操作。

BRepNet方法的动机是参考在图像上进行卷积的操作,类似的安排可以通过B-reps实现,其中可以在相对于数据结构中的每个边缘的良好定义位置识别一小部分面、边缘和边缘。可以从这些相邻实体中提取特征向量,并以已知的顺序连接起来,允许卷积作为矩阵/向量乘法进行。与图像卷积一样,与每个边缘相关的特定实体映射到卷积核中的特定可学习参数,从而使输入数据中的模式易于识别。

在这里插入图片描述

  • A:B-rep拓扑包括面、边、环、边缘和顶点。
  • B:从给定的边缘(红色)开始,可以通过遵循指示下一跳移动到哪个实体的指令序列来遍历拓扑。说明了指令序列{mate, next, mate, face}。
  • C:用关联矩阵N, P, M, F和E的乘积来描述从红色边缘到一些邻近实体的行走。

coedges是B-rep(Boundary Representation,边界表示)模型中的一种基本拓扑实体,用于表示边界的邻接关系。每个环路(loop)由一系列有向边的双向链表组成,这些有向边就称为coedges。coedge存储着指向环路中下一个和上一个coedge的指针,以及指向其相邻或“配对”coedge、父面和父边的指针。在闭合且流形的B-rep结构中,每个coedge恰好有一个配对的coedge,这为以与winged edge和QuadEdge数据结构中的边相同的方式遍历结构中的边提供了充分信息。

通过遵循边缘存储的指针,我们可以从B-rep上的给定边缘走到其邻域中的实体。在每一跳中选择跟随哪个指针可以被认为是一个指令序列,它将把我们从某个起始边缘带到目的地边缘。从那里,我们可以选择做一个最后的跳跃到它的所有者边缘或面。这个指令序列定义了一个拓扑遍历
coedge指边缘或者共边
F指的是面和边缘之间关系的一个关联矩阵。

  • 其中Fij = 1表示:coedge ci 在面fj周围的环路中。

E指的是边和边缘之间关系的有一个关联矩阵。

  • Eij= 1表示coedge ci属于边ej

Next矩阵。

  • Nij = 1 表示 ci 是从 cj开始的下一个共边。

Mate矩阵

  • Mij = 1 表示共边 cj 是共边 ci 的配对边。

Previous§矩阵

  • Nij = 1 表示 ci 是从 cj开始的上一个共边。

在这里插入图片描述
上图就是Brepnet的网络架构。
Xf、Xe、Xc分别指的是:面,边,共边的特征矩阵。
**Maxpooling的作用:**通过在每个卷积单元中将边缘的信息汇集到它们的父面和边缘上,大大提高了网络的性能。这允许信息从一个循环中的边缘流到父表面,使其在后续层中的另一个循环中的边缘可以访问。

实验结果

在这里插入图片描述
在这里插入图片描述

边缘条件卷积(ECC)图网络。
在这里插入图片描述

边缘凸度,曲线类型和曲面类型是网络在分割中使用的主要信息

  • 24
    点赞
  • 18
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值