論文の概要: BRepNet: A topological message passing system for solid models
- arxiv url: http://arxiv.org/abs/2104.00706v1
- Date: Thu, 1 Apr 2021 18:16:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-06 02:41:45.360351
- Title: BRepNet: A topological message passing system for solid models
- Title（参考訳）: BRepNet:固体モデルのためのトポロジカルメッセージパッシングシステム
- Authors: Joseph G. Lambourne, Karl D.D. Willis, Pradeep Kumar Jayaraman, Aditya
Sanghi, Peter Meltzer, Hooman Shayani
- Abstract要約: 境界表現(B-rep)モデルは、コンピュータ支援設計(CAD)アプリケーションで3D形状を記述する標準的な方法です。
我々は,B-repデータ構造を直接操作するように設計されたニューラルネットワークアーキテクチャであるBRepNetを紹介する。
- 参考スコア（独自算出の注目度）: 6.214548392474976
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Boundary representation (B-rep) models are the standard way 3D shapes are
described in Computer-Aided Design (CAD) applications. They combine lightweight
parametric curves and surfaces with topological information which connects the
geometric entities to describe manifolds. In this paper we introduce BRepNet, a
neural network architecture designed to operate directly on B-rep data
structures, avoiding the need to approximate the model as meshes or point
clouds. BRepNet defines convolutional kernels with respect to oriented coedges
in the data structure. In the neighborhood of each coedge, a small collection
of faces, edges and coedges can be identified and patterns in the feature
vectors from these entities detected by specific learnable parameters. In
addition, to encourage further deep learning research with B-reps, we publish
the Fusion 360 Gallery segmentation dataset. A collection of over 35,000 B-rep
models annotated with information about the modeling operations which created
each face. We demonstrate that BRepNet can segment these models with higher
accuracy than methods working on meshes, and point clouds.
- Abstract（参考訳）: 境界表現(B-rep)モデルは、3次元形状をCAD(Computer-Aided Design)アプリケーションで記述する標準的な方法である。
軽量パラメトリック曲線と曲面を位相情報と組み合わせ、幾何学的実体を多様体を記述する。
本稿では,b-repデータ構造上で直接動作するように設計されたニューラルネットワークアーキテクチャであるbrepnetを紹介する。
brepnetはデータ構造の向き付けコエッジに関して畳み込み型カーネルを定義する。
各コエッジ近傍では、顔、エッジ、コエッジの小さなコレクションを識別でき、特定の学習可能なパラメータによって検出されたこれらのエンティティから特徴ベクトルのパターンを識別できる。
さらに,b-repsを用いたさらなるディープラーニング研究を促進するため,fusion 360 gallery segmentationデータセットを公開する。
35,000以上のB-repモデルのコレクションには、各顔を生成するモデリング操作に関する情報が記入されている。
BRepNetがこれらのモデルをメッシュやポイントクラウドのメソッドよりも高い精度でセグメント化できることを実証する。
関連論文リスト
- STREAM: A Universal State-Space Model for Sparse Geometric Data [2.9483719973596303]
ポイントクラウドやイベントベースのビジョンなど、非構造化の幾何学的データを扱うことは、マシンビジョンの分野における急激な課題である。
状態空間モデルのパラメータ化に幾何構造を明示的にエンコードすることを提案する。
本モデルでは, スパースデータを最新のハードウェアに効率的にマッピングするために, カーネルを改良したMamba選択状態空間モデルをデプロイする。
論文 参考訳（メタデータ） (2024-11-19T16:06:32Z) - (Deep) Generative Geodesics [57.635187092922976]
2つのデータポイント間の類似性を評価するために,新しい測定基準を導入する。
我々の計量は、生成距離と生成測地学の概念的定義に繋がる。
彼らの近似は、穏やかな条件下で真の値に収束することが証明されている。
論文 参考訳（メタデータ） (2024-07-15T21:14:02Z) - Split-and-Fit: Learning B-Reps via Structure-Aware Voronoi Partitioning [50.684254969269546]
本稿では,3次元CADモデルのバウンダリ表現(B-Reps)を取得する新しい手法を提案する。
各パーティション内に1つのプリミティブを導出するために空間分割を適用する。
我々のネットワークはニューラルなボロノイ図でNVD-Netと呼ばれ、訓練データからCADモデルのボロノイ分割を効果的に学習できることを示す。
論文 参考訳（メタデータ） (2024-06-07T21:07:49Z) - BrepGen: A B-rep Generative Diffusion Model with Structured Latent Geometry [24.779824909395245]
BrepGenは拡散に基づく生成手法であり、境界表現(Breep)コンピュータ支援設計(CAD)モデルを直接出力する。
BrepGenは、階層木における新しい構造付き潜在幾何学としてB-repモデルを表す。
論文 参考訳（メタデータ） (2024-01-28T04:07:59Z) - Variational Relational Point Completion Network for Robust 3D
Classification [59.80993960827833]
可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。
本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。
VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
論文 参考訳（メタデータ） (2023-04-18T17:03:20Z) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳（メタデータ） (2022-12-17T15:05:25Z) - SolidGen: An Autoregressive Model for Direct B-rep Synthesis [15.599363091502365]
境界表現(B-rep)形式はコンピュータ支援設計(CAD)におけるデファクト形状表現である
CADモデル生成への最近のアプローチは、スケッチ・アンド・エクスクルード・モデリングシーケンスの学習に焦点を当てている。
本稿では,B-repsから学習し,B-repsの合成を可能にする新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-03-26T00:00:45Z) - Deep Implicit Surface Point Prediction Networks [49.286550880464866]
暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。
本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2021-06-10T14:31:54Z) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳（メタデータ） (2020-07-30T18:23:18Z) - UV-Net: Learning from Boundary Representations [17.47054752280569]
本稿では,3次元CADモデルによる境界表現(B-rep)データを直接操作するために設計された新しいニューラルネットワークアーキテクチャと表現であるUV-Netを紹介する。
B-repデータは、データ構造が複雑であり、連続的な非ユークリッド幾何学的エンティティと離散位相的エンティティの両方をサポートするため、現代の機械学習で使用される際、いくつかのユニークな課題を示す。
論文 参考訳（メタデータ） (2020-06-18T00:12:52Z) - Segmentation and Recovery of Superquadric Models using Convolutional
Neural Networks [2.454342521577328]
畳み込みニューラルネットワーク(CNN)を中心に構築された(二段階)アプローチを提案する。
第1段階では,提案手法はMask RCNNモデルを用いて,深度シーンにおける超クワッドリックな構造を同定する。
我々は、少数の解釈可能なパラメータを持つ複雑な構造を記述することができる。
論文 参考訳（メタデータ） (2020-01-28T18:17:48Z)
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。