論文の概要: SolidGen: An Autoregressive Model for Direct B-rep Synthesis
- arxiv url: http://arxiv.org/abs/2203.13944v1
- Date: Sat, 26 Mar 2022 00:00:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-29 14:16:06.303282
- Title: SolidGen: An Autoregressive Model for Direct B-rep Synthesis
- Title（参考訳）: SolidGen: 直接B-rep合成のための自己回帰モデル
- Authors: Pradeep Kumar Jayaraman, Joseph G. Lambourne, Nishkrit Desai, Karl
D.D. Willis, Aditya Sanghi, Nigel J.W. Morris
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 15.599363091502365
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Boundary representation (B-rep) format is the de-facto shape
representation in computer-aided design (CAD) to model watertight solid
objects. Recent approaches to generating CAD models have focused on learning
sketch-and-extrude modeling sequences that are executed by a solid modeling
kernel in postprocess to recover a B-rep. In this paper we present a new
approach that enables learning from and synthesizing B-reps without the need
for supervision through CAD modeling sequence data. Our method SolidGen, is an
autoregressive neural network that models the B-rep directly by predicting the
vertices, edges and faces using Transformer-based and pointer neural networks.
Key to achieving this is our Indexed Boundary Representation that references
B-rep vertices, edges and faces in a well-defined hierarchy to capture the
geometric and topological relations suitable for use with machine learning.
SolidGen can be easily conditioned on contexts e.g., class labels thanks to its
probabilistic modeling of the B-rep distribution. We demonstrate qualitatively,
quantitatively and through perceptual evaluation by human subjects that
SolidGen can produce high quality, realistic looking CAD models.
- Abstract（参考訳）: 境界表現(B-rep)フォーマットは、水密な固体オブジェクトをモデル化するための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モデルを生成する最近のアプローチは、b-repを回収するためにpostprocessのsolid modeling kernelによって実行されるsketch-and-extrudeモデリングシーケンスを学習することに焦点を当てている。
本稿では,CADモデリングシーケンスデータによる監視を必要とせずに,B-repsの学習と合成を可能にする新しいアプローチを提案する。
提案手法であるsolidgenは,トランスフォーマリンとポインターニューラルネットワークを用いて,頂点,エッジ,顔を予測することで,b-repを直接モデル化する自己回帰型ニューラルネットワークである。
これを実現するためのキーは、B-repの頂点、エッジ、面を適切に定義された階層で参照し、機械学習で使用するのに適した幾何学的および位相的関係をキャプチャするインデックス境界表現です。
SolidGenは、B-rep分布の確率的モデリングのおかげで、クラスラベルなどのコンテキストで簡単に条件付けできる。
我々は、SolidGenが高品質でリアルなCADモデルを作成できることを人間の被験者による質的、定量的、そして知覚的評価を通じて示す。
関連論文リスト
- Stabilize the Latent Space for Image Autoregressive Modeling: A Unified Perspective [52.778766190479374]
遅延ベース画像生成モデルは、画像生成タスクにおいて顕著な成功を収めた。
同じ遅延空間を共有するにもかかわらず、自己回帰モデルは画像生成において LDM や MIM よりもかなり遅れている。
本稿では,画像生成モデルのための遅延空間を安定化する,単純だが効果的な離散画像トークン化手法を提案する。
論文 参考訳（メタデータ） (2024-10-16T12:13:17Z) - SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。
私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。
アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
論文 参考訳（メタデータ） (2024-09-30T17:59:03Z) - 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) - Learning Versatile 3D Shape Generation with Improved AR Models [91.87115744375052]
自己回帰(AR)モデルはグリッド空間の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印象的な結果を得た。
本稿では3次元形状生成のための改良された自己回帰モデル(ImAM)を提案する。
論文 参考訳（メタデータ） (2023-03-26T12:03:18Z) - SCGG: A Deep Structure-Conditioned Graph Generative Model [9.046174529859524]
SCGGと呼ばれる条件付きディープグラフ生成法は、特定のタイプの構造条件を考える。
SCGGのアーキテクチャは、グラフ表現学習ネットワークと、エンドツーエンドで訓練された自己回帰生成モデルで構成されている。
合成と実世界の両方のデータセットに対する実験結果は,最先端のベースラインと比較して,本手法の優位性を示している。
論文 参考訳（メタデータ） (2022-09-20T12:33:50Z) - Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D
Shape Synthesis [90.26556260531707]
DMTetは粗いボクセルのような単純なユーザーガイドを用いて高解像度の3次元形状を合成できる条件付き生成モデルである。
メッシュなどの明示的な表現を直接生成する深部3次元生成モデルとは異なり、我々のモデルは任意の位相で形状を合成することができる。
論文 参考訳（メタデータ） (2021-11-08T05:29:35Z) - BRepNet: A topological message passing system for solid models [6.214548392474976]
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。
論文 参考訳（メタデータ） (2021-04-01T18:16:03Z) - 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) - CoSE: Compositional Stroke Embeddings [52.529172734044664]
本稿では、ストロークベースの描画タスクのような複雑な自由形式構造に対する生成モデルを提案する。
我々のアプローチは、自動補完図のようなインタラクティブなユースケースに適している。
論文 参考訳（メタデータ） (2020-06-17T15:22:54Z) - PolyGen: An Autoregressive Generative Model of 3D Meshes [22.860421649320287]
本稿では,Transformerベースのアーキテクチャを用いてメッシュを直接モデル化するアプローチを提案する。
我々のモデルは、オブジェクトクラス、ボクセル、イメージなど、様々な入力を条件にすることができる。
このモデルでは、高品質で使い勝手の良いメッシュを生成でき、メッシュモデリングタスクのためのログライクなベンチマークを確立することができる。
論文 参考訳（メタデータ） (2020-02-23T17:16:34Z)
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。