SECAD-Net: Self-Supervised CAD Reconstruction by Learning Sketch-Extrude Operations
SECAD-Net: Self-Supervised CAD Reconstruction by Learning Sketch-Extrude
Operations(SECAD-Net:学习草图挤压操作的自监督CAD重建)2023 CVPR
https://github.com/BunnySoCrazy/SECAD-Net
摘要
基于原始几何图形的逆向工程CAD模型是一个经典而又艰苦的研究问题。以前的基于学习的方法由于受监督的设计模式而严重依赖于标签或重建CAD形状,这些形状不易编辑。在这项工作中,我们介绍了SECADNet,一个端到端神经网络,旨在以自监督的方式重建紧凑且易于编辑的CAD模型。从现代CAD软件中最常用的建模语言中汲取灵感,我们建议从原始形状中学习2D草图和3D挤出参数,从中可以通过将每个草图从2D平面挤压成3D体来生成一组挤出圆柱体。通过合并布尔运算(即联合),这些圆柱体可以紧密地接近目标几何形状。我们提倡使用隐式字段进行草图表示,这允许通过在草图潜在空间中插入潜在代码来创建CAD变体。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的替代方法的优势,包括密切相关的监督CAD重建方法。我们进一步将我们的方法应用于CAD编辑和单视图CAD重建。
框架
结论
我们提出了一种新的神经网络,它可以连续学习形状草图和挤压,而不需要任何昂贵的形状分割注释和标签作为监督。我们的方法能够学习光滑的草图,然后通过可微挤压来重建接近地面真相的CAD模型。我们使用不同的CAD数据集评估了SECAD-Net,并通过消融研究证明了我们的方法的优势,并将其与最先进的方法进行了比较。我们进一步证明了该方法在单图像CAD重建中的适用性。此外,通过我们的方法生成的CAD形状可以直接输入到现成的CAD软件中进行草图级或圆柱体原始级编辑。
软件中进行草图级或圆柱体原始级编辑。
在未来的工作中,我们计划扩展我们的方法来学习更多与cad相关的操作,如旋转、斜角和扫描。此外,我们发现当前的深度学习模型在形状、几何和结构差异较大的数据集上表现不佳。因此,另一个有希望的方向是探索如何通过学习结构和拓扑信息来提高神经网络的泛化能力,增强生成形状的真实感。