論文の概要: DeepCAD: A Deep Generative Network for Computer-Aided Design Models
- arxiv url: http://arxiv.org/abs/2105.09492v1
- Date: Thu, 20 May 2021 03:29:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-21 13:39:29.853837
- Title: DeepCAD: A Deep Generative Network for Computer-Aided Design Models
- Title(参考訳): DeepCAD: コンピュータ支援設計モデルのための深層生成ネットワーク
- Authors: Rundi Wu, Chang Xiao, Changxi Zheng
- Abstract要約: 形状をコンピュータ支援設計(CAD)操作のシーケンスとして記述した形状表現の3次元生成モデルについて述べる。
CAD操作と自然言語の類似性について,トランスフォーマーに基づくCAD生成ネットワークを提案する。
- 参考スコア(独自算出の注目度): 37.655225142981564
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep generative models of 3D shapes have received a great deal of research
interest. Yet, almost all of them generate discrete shape representations, such
as voxels, point clouds, and polygon meshes. We present the first 3D generative
model for a drastically different shape representation -- describing a shape as
a sequence of computer-aided design (CAD) operations. Unlike meshes and point
clouds, CAD models encode the user creation process of 3D shapes, widely used
in numerous industrial and engineering design tasks. However, the sequential
and irregular structure of CAD operations poses significant challenges for
existing 3D generative models. Drawing an analogy between CAD operations and
natural language, we propose a CAD generative network based on the Transformer.
We demonstrate the performance of our model for both shape autoencoding and
random shape generation. To train our network, we create a new CAD dataset
consisting of 179,133 models and their CAD construction sequences. We have made
this dataset publicly available to promote future research on this topic.
- Abstract(参考訳): 3次元形状の深い生成モデルは、多くの研究関心を集めている。
しかし、それらのほとんどは、ボクセル、点雲、ポリゴンメッシュなどの離散的な形状表現を生成する。
形状をcad(computer-aided design)操作のシーケンスとして表現する,大幅に異なる形状表現のための最初の3次元生成モデルを提案する。
メッシュやポイントクラウドとは異なり、CADモデルは、多くの産業や工学設計タスクで広く使われている3D形状のユーザー生成プロセスをエンコードする。
しかし,CAD操作の逐次的・不規則な構造は,既存の3次元生成モデルにとって大きな課題となる。
CAD操作と自然言語の類似性について,トランスフォーマーに基づくCAD生成ネットワークを提案する。
形状の自動エンコーディングとランダム形状生成の両方におけるモデルの性能を示す。
ネットワークをトレーニングするために、179,133モデルとそのCAD構築シーケンスからなる新しいCADデータセットを作成する。
このデータセットを公開して,今後の研究を推進しています。
関連論文リスト
- Geometric Deep Learning for Computer-Aided Design: A Survey [85.79012726689511]
本調査では,コンピュータ支援設計における学習手法の概要について概観する。
類似性解析と検索、2Dおよび3DCADモデル合成、点雲からのCAD生成を含む。
ベンチマークデータセットとその特性の完全なリストと、この領域の研究を推進しているオープンソースコードを提供する。
論文 参考訳(メタデータ) (2024-02-27T17:11:35Z) - CAD-SIGNet: CAD Language Inference from Point Clouds using Layer-wise
Sketch Instance Guided Attention [13.227571488321358]
CADモデルの設計履歴を復元するために,エンドツーエンドでトレーニング可能な自動回帰アーキテクチャを提案する。
我々のモデルは、ポイントクラウドとCAD言語埋め込みの階層的相互注意により視覚言語表現を学習する。
CAD-SIGNetは自己回帰的な性質により、入力ポイントクラウドが与えられたCADモデルのユニークな完全な設計履歴を再構築するだけでなく、複数の可能な設計選択も提供する。
論文 参考訳(メタデータ) (2024-02-27T16:53:16Z) - Pushing Auto-regressive Models for 3D Shape Generation at Capacity and
Scalability [121.44324465222498]
自己回帰モデルでは,格子空間における関節分布をモデル化することにより,2次元画像生成において顕著な結果が得られた。
自動回帰モデルを3次元領域に拡張し,キャパシティとスケーラビリティを同時に向上することにより,3次元形状生成の強力な能力を求める。
論文 参考訳(メタデータ) (2024-02-19T15:33:09Z) - Point2CAD: Reverse Engineering CAD Models from 3D Point Clouds [26.10631058349939]
本稿では,分割点雲と構造CADモデルのギャップを埋めるハイブリッド解析ニューラルネットワーク再構成手法を提案する。
また,自由曲面の暗黙的表現を新たに提案し,CAD再構成方式の性能向上を図る。
論文 参考訳(メタデータ) (2023-12-07T08:23:44Z) - Hierarchical Neural Coding for Controllable CAD Model Generation [34.14256897199849]
本稿では,CAD(Computer Aided Design)の新しい生成モデルを提案する。
これはCADモデルの高レベルな設計概念を、ニューラルネットワークの3レベル階層木として表現している。
コードツリーを使用してターゲット設計を指定することでCADモデルの生成や完成を制御する。
論文 参考訳(メタデータ) (2023-06-30T21:49:41Z) - Pushing the Limits of 3D Shape Generation at Scale [65.24420181727615]
我々は、前例のない次元に拡大することで、3次元形状生成において画期的なブレークスルーを示す。
現在までに最大の3次元形状生成モデルとしてArgus-3Dが確立されている。
論文 参考訳(メタデータ) (2023-06-20T13:01:19Z) - SECAD-Net: Self-Supervised CAD Reconstruction by Learning Sketch-Extrude
Operations [21.000539206470897]
SECAD-Netは、コンパクトで使いやすいCADモデルの再構築を目的とした、エンドツーエンドのニューラルネットワークである。
本研究は,CAD再構築の手法など,最先端の代替手段よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-03-19T09:26:03Z) - PvDeConv: Point-Voxel Deconvolution for Autoencoding CAD Construction in
3D [23.87757211847093]
コンピュータ支援設計(cad)モデルの基盤となる形状を密に記述した10k点の高分解能点雲を合成することを学ぶ。
50k以上のCADモデルとその対応する3Dメッシュを含む新しい専用データセット、CC3Dを紹介します。
このデータセットは、3Dスキャン(CADモデル)のペアからサンプリングされた点雲の畳み込みオートエンコーダを学ぶために使用される。
論文 参考訳(メタデータ) (2021-01-12T14:14:13Z) - DECOR-GAN: 3D Shape Detailization by Conditional Refinement [50.8801457082181]
本稿では,3次元形状詳細化のための深層生成ネットワークについて紹介する。
提案手法は, 粗い形状を様々な形状の細かな形状に洗練することができることを示す。
論文 参考訳(メタデータ) (2020-12-16T18:52:10Z) - Mask2CAD: 3D Shape Prediction by Learning to Segment and Retrieve [54.054575408582565]
本稿では,既存の3次元モデルの大規模データセットを活用し,画像中の物体の3次元構造を理解することを提案する。
本稿では,実世界の画像と検出対象を共同で検出するMask2CADについて,最も類似したCADモデルとそのポーズを最適化する。
これにより、画像内のオブジェクトのクリーンで軽量な表現が生成される。
論文 参考訳(メタデータ) (2020-07-26T00:08:37Z)
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。