論文の概要: Deep Vectorization of Technical Drawings
- arxiv url: http://arxiv.org/abs/2003.05471v3
- Date: Thu, 30 Jul 2020 14:32:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 15:36:01.951282
- Title: Deep Vectorization of Technical Drawings
- Title(参考訳): 技術図面の深部ベクトル化
- Authors: Vage Egiazarian, Oleg Voynov, Alexey Artemov, Denis Volkhonskiy,
Aleksandr Safin, Maria Taktasheva, Denis Zorin, Evgeny Burnaev
- Abstract要約: 本稿では,床図,建築図面,2次元CAD画像などの技術線図のベクトル化手法を提案する。
本手法は,(1)画像の背景や欠陥を除去し,欠落部分を埋める深層学習に基づくクリーニングステージ,(2)ベクトルプリミティブを推定するトランスフォーマーベースのネットワーク,(3)最終的なプリミティブ構成を得るための最適化手順を含む。
- 参考スコア(独自算出の注目度): 78.07663999694061
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a new method for vectorization of technical line drawings, such as
floor plans, architectural drawings, and 2D CAD images. Our method includes (1)
a deep learning-based cleaning stage to eliminate the background and
imperfections in the image and fill in missing parts, (2) a transformer-based
network to estimate vector primitives, and (3) optimization procedure to obtain
the final primitive configurations. We train the networks on synthetic data,
renderings of vector line drawings, and manually vectorized scans of line
drawings. Our method quantitatively and qualitatively outperforms a number of
existing techniques on a collection of representative technical drawings.
- Abstract(参考訳): 本稿では,床図,建築図面,2次元CAD画像などの技術線図のベクトル化手法を提案する。
本手法は,(1)画像の背景や不完全さを解消し,欠落部分を埋め込むディープラーニングベースのクリーニングステージ,(2)ベクトルプリミティブを推定するトランスベースネットワーク,(3)最終的なプリミティブ構成を得るための最適化手順を含む。
ネットワークを合成データ、ベクトル線描画のレンダリング、手動で線描画のベクトル化スキャンに基づいて訓練する。
本手法は,代表的技術図面の収集において,既存の技術よりも定量的かつ定性的に優れている。
関連論文リスト
- Cross-domain and Cross-dimension Learning for Image-to-Graph
Transformers [50.576354045312115]
直接画像からグラフへの変換は、単一のモデルにおけるオブジェクトの検出と関係予測を解決するための課題である。
画像-グラフ変換器のクロスドメインおよびクロス次元変換学習を可能にする一連の手法を提案する。
そこで我々は,2次元の衛星画像上でモデルを事前学習し,それを2次元および3次元の異なるターゲット領域に適用する。
論文 参考訳(メタデータ) (2024-03-11T10:48:56Z) - Component Segmentation of Engineering Drawings Using Graph Convolutional
Networks [0.8941624592392744]
本稿では2次元工学的部分描画のベクトル化と機械解釈を自動化するためのデータ駆動型フレームワークを提案する。
これらの課題を克服するために,各ベクトル化コンポーネントの意味型を予測するディープラーニングベースのフレームワークを提案する。
その結果,本手法は最近の画像とグラフベースセグメンテーション法に比較して,最高の性能を示すことがわかった。
論文 参考訳(メタデータ) (2022-12-01T05:31:07Z) - ARF: Artistic Radiance Fields [63.79314417413371]
本稿では,任意のスタイル画像の芸術的特徴を3Dシーンに転送する方法を提案する。
点雲やメッシュ上で3次元スタイリングを行う従来の手法は、幾何的再構成誤差に敏感である。
より頑健なラディアンス場表現の体系化を提案する。
論文 参考訳(メタデータ) (2022-06-13T17:55:31Z) - Geometric Understanding of Sketches [0.0]
そこで本研究では,システムのスケッチの幾何学的理解を支援する2つの手法について検討する。
最初の研究は、グラフ構造としての2次元線描画の解釈を扱い、また、ロボットによる物理的再構成によってその効果を示す。
2つ目の研究では、3次元幾何学に関する情報に明示的にアクセスすることなく、スケッチベースシステムの3次元幾何学的理解をテストする。
論文 参考訳(メタデータ) (2022-04-13T23:55:51Z) - 3DStyleNet: Creating 3D Shapes with Geometric and Texture Style
Variations [81.45521258652734]
本稿では,3次元オブジェクトの幾何学的・テクスチャ的バリエーションを多用する手法を提案する。
提案手法は,多くの新しいスタイルの形状を作成でき,その結果,無駄な3Dコンテンツ作成とスタイルウェアデータ拡張を実現している。
論文 参考訳(メタデータ) (2021-08-30T02:28:31Z) - Fabrication-Aware Reverse Engineering for Carpentry [13.85366090510913]
本稿では,大工品の画像から創製青写真を生成する新しい手法を提案する。
本手法では, 有効形状だけでなく, 意味論的に有効な部品集合を復元するために, ドメイン固有の制約を利用する。
論文 参考訳(メタデータ) (2021-07-21T09:25:15Z) - Translational Symmetry-Aware Facade Parsing for 3D Building
Reconstruction [11.263458202880038]
本稿では,深部ニューラルネットワーク改善のための新しい翻訳対称性に基づくアプローチを提案する。
本研究では,単一段ネットワークにおけるアンカーフリー検出を融合させる新しい手法を提案する。
我々はBlenderのような市販のレンダリングエンジンを使用して、手続きモデルを用いて現実的な高品質な3Dモデルを再構築する。
論文 参考訳(メタデータ) (2021-06-02T03:10:51Z) - Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。
提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。
メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
論文 参考訳(メタデータ) (2020-10-23T14:49:02Z) - Neural Contours: Learning to Draw Lines from 3D Shapes [20.650770317411233]
本アーキテクチャでは,3次元モデルの幾何学的特徴を操作可能なモジュールと,ビューに基づく形状表現を操作可能なイメージベースモジュールが組み込まれている。
テスト時には、幾何学的およびビューに基づく推論とニューラルモジュールの助けが組み合わさって線図を作成する。
論文 参考訳(メタデータ) (2020-03-23T15:37:49Z) - SketchDesc: Learning Local Sketch Descriptors for Multi-view
Correspondence [68.63311821718416]
我々はマルチビュースケッチ対応の問題について検討し、同じオブジェクトの異なるビューを持つ複数のフリーハンドスケッチを入力として扱う。
異なる視点における対応する点の視覚的特徴は、非常に異なる可能性があるため、この問題は困難である。
我々は、深層学習アプローチを採用し、データから新しいローカルスケッチ記述子を学習する。
論文 参考訳(メタデータ) (2020-01-16T11:31:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。