Point2CAD: Reverse Engineering CAD Models from 3D Point Clouds 论文阅读

最新推荐文章于 2024-11-15 10:18:28 发布

气派飞鹰

最新推荐文章于 2024-11-15 10:18:28 发布

阅读量1.4k

点赞数 15

分类专栏：论文阅读文章标签： 3d 论文阅读

本文链接：https://blog.csdn.net/qq_45488453/article/details/142137215

版权

论文阅读专栏收录该内容

11 篇文章

订阅专栏

项目主页

2024CVPR
Point2CAD: Reverse Engineering CAD Models from 3D Point Clouds
从3D点云到CAD模型的逆向工程
source code
在这里插入图片描述

摘要

提出了一种混合分析神经重建方案，该方案弥合了分段点云和结构化 CAD 模型之间的差距，并且可以轻松地与不同的分割主干相结合。
此外，为了为表面拟合阶段提供动力，提出了一种新颖的自由曲面隐式神经表示，从而提高了整体 CAD 重建方案的性能。

简介

使用简单参数化表面基元进行重建已得到广泛研究。对于此类表面，拟合和计算相交都相对简单，并且通过足够干净的点云，可以使用经典几何方法导出边界表示（B-rep）[1,4,47]。
关于拟合自由曲面的工作，通常具有各种风格的样条线，但它们大多没有将各个曲面组装成完整的 B-reps [9,42,50]。
总之，几何复杂的自由曲面和拓扑复杂的简单曲面组合大多是分开研究的。

本文提出的方法流程

首先，预训练的神经网络将点云分割成与不同表面相对应的簇。
其次，将曲面拟合到簇，这涉及基本的原始拟合和针对自由曲面的新颖的神经拟合方案。
第三，相邻曲面相交以恢复边缘，相邻边缘进一步相交以恢复角点，从而获得完整的 B-rep。
总而言之，这些步骤形成了一个全面且多功能的管道，用于将点云逆向工程化为 CAD 模型；

本文贡献

提出了 Point2CAD，这是一个综合工作流程，用于从原始 3D 点云重建复杂的自由形式参数化 CAD 模型；
为了支持表面拟合阶段，提出了一种新颖的自由曲面神经表示；
在具有挑战性的 ABC 数据集上展示了卓越的定量和定性性能。

方法

与最近通用的端到端深度学习流程的趋势相反，本文发现将重建过程分成多个步骤并且仅在必要时使用神经方法是有利的。
总的来说，本文的方法由以下阶段组成

将点云划分为与 CAD 模型的拓扑面相对应的簇。依靠现有的（预先训练的）神经网络方法来完成该步骤。
将分析表面基元拟合到每个簇。在这里使用混合方法：首先，测试一组流行的几何表面基元，这些基元允许有效的封闭形式拟合。提出了一种基于神经表示的自由曲面的新颖拟合方案。
确定每个（有限）参数曲面的有效面积并对其进行裁剪，留出足够的余量以确保相邻曲面的相交。
执行成对表面相交以获得一组拓扑上合理的对象边缘。使用这些边，删除输入点不支持的部分。
执行成对边相交来识别一组拓扑角。使用这些角根据与剩余表面区域的接近程度来修剪边缘。
应用 Point2CAD 后，得到的是 B-rep 格式的 CAD 模型，其中包括表示模型面的分析曲面、兼容的边和角以及编码拓扑的邻接矩阵。
本文提出的流程的基础是本文提出的将3D中自由形式参数化2D流形表面的隐式神经表示拟合到无序点集。在这种情况下，一个特别的困难是表面必须外推到支撑点之外才能实现稳健的表面相交，这对于神经表面估计器来说是一个挑战。本文的解决方法是设计了一种新颖的自由曲面参数化。

标准基元的参数化

这里本文用的几何基元是常用的平面、球体、圆柱和圆锥。确切的参数化，参考文章【ParSeNet: A parametric surface fitting network for 3d point clouds】以及补充材料。
本文提出不依赖预测的表面类型进行拟合，而是将每个基元对点簇进行拟合，选择具有最低重建误差的最简单模型。

使用 INR 进行自由曲面参数化

本文认为这一步骤的方法应该满足以下条件：

输入点云中的抗噪声能力，这对于真实的 3D 传感器来说是不可避免的；
支持逆映射，以实现潜在空间的遍历；（逆映射：假设你有一个通过神经隐式表达生成的几何体，支持反向映射意味着你可以从几何体的任意一点找到对应的隐空间表示，并在隐空间中做出修改，从而更新几何体的整体形状。这种技术可以应用于诸如形状插值、形状生成和几何重建等任务。）
插值方式灵活，保证数据高保真度，避免过度平滑；
外推模式中的强正则化，需要在观察到的数据点周围构造平滑、合理的边缘，以用于后续的表面相交；（外推，与插值的概念相对应，插值是在已有数据范围内预测点，外推就是在已有数据范围外进行点的预测。正则化，防止过拟合）
快速拟合，计算成本低。

支持逆变换的现有流形学习技术（例如UMAP），无法直接用于此任务。本文开发了一种具有单个隐藏层的定制神经自动编码器[21]，这足以满足简单的非线性变换[14]。

这里作者强调了激活函数选择（ReLU，SiLU，添加位置编码，正弦激活）的重要性，并对使用不同激活函数的优劣做了分析比较，最终决定使用组合激活函数，分析结果得到结论：为一些神经元配备 SiLU，为其余神经元配备正弦激活，可产生平滑外推的几何忠于原表面的拟合。
以下是文章给出的自动编码器的框图
在这里插入图片描述

拓扑重建

在实例化所有单独的曲面之后，需要建立它们的边界，这相当于找到相邻曲面之间的相交曲线。此步骤对于 CAD 重建的后续阶段至关重要，正确识别和恢复相交曲线非常重要。这一要求再次需要确定性几何方法，因为独立检测很难保证一组完整的边缘与表面一致。

这里作者经过分析认为从数值上进行曲面相交曲线极其复杂且不稳定，将所有曲面转换为三角形网格，这样能够用成熟的，数值稳定的计算工具进行精确的相交计算。

详细做法这里直接引用原文的翻译

对于每个表面，（无限）几何基元被修剪以在支撑点周围形成宽度为 $\varepsilon$ 的边缘，以确保后续步骤有足够的空间，然后通过曲面细分和三角测量将其输入到标准网格划分算法。我们识别每个网格化表面的所有相交表面，计算成对网格交集以获得多段线边缘，并沿着这些边缘重新网格化表面。类似地，我们与相邻的边缘折线相交以获得角点，然后使用这些角来修剪边缘（边缘仍然延伸到曲面之外，因为它们是从未剪切的曲面生成的）。