論文の概要: ComplexGen: CAD Reconstruction by B-Rep Chain Complex Generation
- arxiv url: http://arxiv.org/abs/2205.14573v1
- Date: Sun, 29 May 2022 05:30:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-31 14:40:24.436523
- Title: ComplexGen: CAD Reconstruction by B-Rep Chain Complex Generation
- Title（参考訳）: ComplexGen: B-Rep Chain Complex GenerationによるCAD再構成
- Authors: Haoxiang Guo and Shilin Liu and Hao Pan and Yang Liu and Xin Tong and
Baining Guo
- Abstract要約: 我々は,境界表現(B-Rep)におけるCADモデルの再構成を,異なる順序の幾何学的プリミティブの検出とみなす。
このような包括的構造をモデル化することにより,より完全かつ規則化された再構築を実現することができることを示す。
- 参考スコア（独自算出の注目度）: 28.445041795260906
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We view the reconstruction of CAD models in the boundary representation
(B-Rep) as the detection of geometric primitives of different orders, i.e.
vertices, edges and surface patches, and the correspondence of primitives,
which are holistically modeled as a chain complex, and show that by modeling
such comprehensive structures more complete and regularized reconstructions can
be achieved. We solve the complex generation problem in two steps. First, we
propose a novel neural framework that consists of a sparse CNN encoder for
input point cloud processing and a tri-path transformer decoder for generating
geometric primitives and their mutual relationships with estimated
probabilities. Second, given the probabilistic structure predicted by the
neural network, we recover a definite B-Rep chain complex by solving a global
optimization maximizing the likelihood under structural validness constraints
and applying geometric refinements. Extensive tests on large scale CAD datasets
demonstrate that the modeling of B-Rep chain complex structure enables more
accurate detection for learning and more constrained reconstruction for
optimization, leading to structurally more faithful and complete CAD B-Rep
models than previous results.
- Abstract（参考訳）: 本稿では,境界表現 (b-rep) におけるcadモデルの再構成を,異なる順序の幾何学的プリミティブ,すなわち頂点,辺,表面パッチの検出と,鎖複体として局所的にモデル化されたプリミティブの対応と捉え,これらの包括的構造をより完全かつ正規化した再構築をモデル化することで達成できることを示す。
複雑な生成問題を2つのステップで解決する。
まず,入力点クラウド処理のためのスパースcnnエンコーダと,幾何学的プリミティブを生成する三経路トランスフォーマデコーダと,それらの推定確率との相互関係からなる新しいニューラルフレームワークを提案する。
第2に,ニューラルネットワークが予測する確率的構造を考慮し,構造的妥当性制約の下での確率を最大化し,幾何改良を適用した大域的最適化を解くことにより,一定のB-Rep連鎖複合体を復元する。
大規模CADデータセットの大規模な実験により、B-Rep連鎖構造をモデル化することで、学習のためのより正確な検出と最適化のためのより制約のある再構築が可能になり、構造的により忠実で完全なCADB-Repモデルが以前の結果よりも実現された。
関連論文リスト
- Generative Topology for Shape Synthesis [13.608942872770855]
我々はポイントクラウド上での形状生成タスクのための新しいフレームワークを開発する。
提案モデルでは, 復元作業や生成作業の質が高く, 効率の良い潜在空間を確保でき, 既存の手法よりも桁違いに高速である。
論文 参考訳（メタデータ） (2024-10-09T17:19:22Z) - AniSDF: Fused-Granularity Neural Surfaces with Anisotropic Encoding for High-Fidelity 3D Reconstruction [55.69271635843385]
AniSDF(AniSDF)は,高忠実度3次元再構成のための物理に基づく符号化による融合粒度ニューラルサーフェスを学習する新しいアプローチである。
本手法は, 幾何再構成と新規ビュー合成の両面において, SDF法の品質を飛躍的に向上させる。
論文 参考訳（メタデータ） (2024-10-02T03:10:38Z) - Defining Neural Network Architecture through Polytope Structures of Dataset [53.512432492636236]
本稿では, ニューラルネットワーク幅の上下境界を定義し, 問題となるデータセットのポリトープ構造から情報を得る。
本研究では,データセットのポリトープ構造を学習したニューラルネットワークから推定できる逆条件を探索するアルゴリズムを開発した。
MNIST、Fashion-MNIST、CIFAR10といった一般的なデータセットは、顔の少ない2つ以上のポリトップを用いて効率的にカプセル化できることが確立されている。
論文 参考訳（メタデータ） (2024-02-04T08:57:42Z) - Neural Template: Topology-aware Reconstruction and Disentangled
Generation of 3D Meshes [52.038346313823524]
本稿では,Distangled Topologyによる3次元メッシュ再構成と生成のためのDTNetという新しいフレームワークを提案する。
提案手法は,最先端の手法と比較して,特に多様なトポロジで高品質なメッシュを生成することができる。
論文 参考訳（メタデータ） (2022-06-10T08:32:57Z) - Spectral Compressive Imaging Reconstruction Using Convolution and
Contextual Transformer [6.929652454131988]
本稿では,CCoT(Contextual Transformer)ブロックというハイブリッドネットワークモジュールを提案する。
提案したCCoTブロックを,一般化された交互投影アルゴリズムに基づく深層展開フレームワークに統合し,さらにGAP-CTネットワークを提案する。
論文 参考訳（メタデータ） (2022-01-15T06:30:03Z) - Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。
単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
論文 参考訳（メタデータ） (2021-10-28T14:59:41Z) - Automated LoD-2 Model Reconstruction from Very-HighResolution
Satellite-derived Digital Surface Model and Orthophoto [1.2691047660244335]
本稿では,LoD-2ビルディングモデルを「分解最適化最適化」パラダイムに従って再構成するモデル駆動手法を提案する。
提案手法は,既存の手法に対するいくつかの技術的問題点に対処し,その有効性を実証した。
論文 参考訳（メタデータ） (2021-09-08T19:03:09Z) - CAPRI-Net: Learning Compact CAD Shapes with Adaptive Primitive Assembly [17.82598676258891]
3Dコンピュータ支援設計(CAD)モデルのコンパクトで解釈可能な暗黙表現を学習するためのニューラルネットワークCAPRI-Netを紹介します。
当社のネットワークは、ポイントクラウドまたはボキセルグリッドとして提供できる入力3D形状を取り、四面プリミティブのコンパクトなアセンブリによってそれを再構築します。
本研究では,これまでで最大かつ多種多様なCADデータセットであるShapeNetとABCの学習フレームワークを,再構築品質,形状エッジ,コンパクト性,解釈可能性の観点から評価した。
論文 参考訳（メタデータ） (2021-04-12T17:21:19Z) - Bilinear Classes: A Structural Framework for Provable Generalization in
RL [119.42509700822484]
Bilinear Classesは強化学習の一般化を可能にする新しい構造フレームワークである。
このフレームワークは、サンプルの複雑さが達成可能な、ほとんどすべての既存のモデルを取り込んでいる。
我々の主な成果は、双線形クラスのためのサンプル複雑性を持つRLアルゴリズムである。
論文 参考訳（メタデータ） (2021-03-19T16:34:20Z) - Sparse-data based 3D surface reconstruction with vector matching [4.471370467116141]
正規ベクトルマッチングと第1次および第2次全変分正規化器を組み合わせた新しいモデルが提案されている。
拡張ラグランジアンに基づく高速アルゴリズムも提案されている。
論文 参考訳（メタデータ） (2020-09-28T00:36:49Z) - Dual-constrained Deep Semi-Supervised Coupled Factorization Network with
Enriched Prior [80.5637175255349]
本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。
隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。
我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
論文 参考訳（メタデータ） (2020-09-08T13:10:21Z)
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。