Brep2Seq 【浅读】

Brep2Seq: a dataset and hierarchical deep learningnetwork for reconstruction and generation of computer-aided design models

Brep2Seq: a dataset and hierarchical deep learningnetwork for reconstruction and generation of computer-aided design models(Brep2Seq:用于重建和生成计算机辅助设计模型的数据集和分层深度学习网络)

2024 Journal of Computational Design and Engineering

代码地址：https://github.com/zhangshuming0668/Brep2Seq

论文概述

这篇论文介绍了一种名为Brep2Seq的新深度学习网络。该网络专注于三维（3D）重建，这是计算机辅助设计（CAD）领域的一个重要研究课题，旨在从原始形状（包括点云、体素、网格和边界表示（B-rep））恢复可编辑的CAD模型。近年来，由于深度学习方法潜力的不断提升，深度模型生成受到了相当大的研究兴趣。为了应对3D重建和生成的挑战，作者提出了Brep2Seq，这是一种新颖的深度神经网络，旨在将B-rep模型转换为一系列可编辑的基于特征的建模操作序列，包括主要原语和详细特征。Brep2Seq采用基于变压器的编码器-解码器架构，利用B-rep模型中的几何和拓扑信息来提取原始3D形状的特征表示。由于其分层网络结构和训练策略，Brep2Seq通过区分CAD模型的主要形状和详细特征，实现了改进的模型重建和可控的模型生成。为了训练Brep2Seq，通过自动几何合成方法建立了一个包含100万份CAD设计的大规模数据集。在DeepCAD和Fusion 360数据集上的广泛实验证明了Brep2Seq的有效性，并展示了它在现实世界场景中应用于简单机械部件的适用性。作者还将Brep2Seq进一步应用于各种下游应用，包括点云重建、模型插值、形状约束生成和CAD特征识别。

摘要

三维(3D)重建是计算机辅助设计(CAD)领域的一个重要研究课题，用于从原始形状恢复可编辑的CAD模型，包括点云、体素、网格和边界表示(B-rep)。最近，由于深度学习方法的潜力越来越大，对深度模型生成的研究兴趣越来越大。为了解决三维重建和生成的挑战，我们提出了Brep2Seq，这是一种新颖的深度神经网络，旨在将B-rep模型转换为一系列可编辑的基于参数化特征的建模操作，包括主要基本特征和详细特征。Brep2Seq采用基于变压器的编码器-解码器架构，利用B-rep模型中的几何和拓扑信息提取原始3D形状的特征表示。Brep2Seq基于分层网络架构和训练策略，通过区分CAD模型的基本形状和细节特征，实现了改进的模型重建和模型生成的可控。为了训练Brep2Seq，通过自动几何合成方法建立了一个包含100万个CAD设计的大规模数据集。在DeepCAD和Fusion 360数据集上进行的大量实验证明了Brep2Seq的有效性，并展示了其在现实场景中对简单机械部件的适用性。我们进一步将Brep2Seq应用于各种下游应用，包括点云重建、模型插值、形状约束生成和CAD特征识别。

贡献

(i)我们提出了Brep2Seq，一个分层图到序列的深度神经网络，可以准确地分离CAD模型的主要形状和详细特征，用于参数化特征的建模重建。

(ii)提出了一种结合基本几何基元和细节特征的参数化特征建模方法，便于大规模CAD模型数据集的合成。

(iii)采用基于预训练的Brep2Seq模型的对抗性训练，实现了CAD模型潜在空间分布的学习和多种CAD模型的生成。

(iv) Brep2Seq模型可以很好地应用于各种下游任务，包括点云重建、模型插值、形状约束生成和CAD特征识别。

框架

结论

总之，我们提出了Brep2Seq，一个设计用于B-rep模型的神经网络，解决了CAD中性文件中缺少建模过程信息的问题。Brep2Seq通过将B-rep模型分解为主要原语和详细特征，重构CAD建模过程。它还可以通过对潜在向量空间进行采样来生成新的模型。

具体而言，可以得出以下结论:(i)基于B-rep数据的结构特征，Brep2Seq利用了CAD模型中的几何形状和拓扑关系信息。

(ii) Brep2Seq采用分层网络架构，将CAD模型的主要形状与其详细特征精确分离，便于基于参数化特征的建模重建。

(iii)我们评估了Brep2Seq在DeepCAD和Fusion 360 Gallery数据集上的模型重建和生成能力。与同类作品相比，Brep2Seq在建模的有效比率、形状拟合精度和生成模型的多样性方面表现出相当的性能。此外，我们还展示了Brep2Seq在下游任务中的优势和多功能性。

(iv)建立了大规模CAD模型数据集，这是第一个通过参数化特征合成的Brep模型数据集。然而，由于Brep2Seq是在合成数据集上训练的，当应用于现实世界的CAD模型时，它的性能下降，泛化能力有限，尽管我们相信这些问题可以通过引入来自现实世界的训练示例的微调优化算法来克服。

因此，有必要通过进一步丰富几何特征类型和采用更多的参数化特征建模方法来提高神经网络的三维形状表示能力。此外，探索一种基于预训练模型的自监督学习方法也是未来研究的一个课题。

形状表示能力。此外，探索一种基于预训练模型的自监督学习方法也是未来研究的一个课题。