論文の概要: SHARP Challenge 2023: Solving CAD History and pArameters Recovery from
Point clouds and 3D scans. Overview, Datasets, Metrics, and Baselines
- arxiv url: http://arxiv.org/abs/2308.15966v1
- Date: Wed, 30 Aug 2023 11:42:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-31 13:33:59.414941
- Title: SHARP Challenge 2023: Solving CAD History and pArameters Recovery from
Point clouds and 3D scans. Overview, Datasets, Metrics, and Baselines
- Title(参考訳): SHARP Challenge 2023: CAD履歴とpArametersリカバリのためのポイントクラウドと3Dスキャン。
概要、データセット、メトリクス、ベースライン
- Authors: Dimitrios Mallis, Sk Aziz Ali, Elona Dupont, Kseniya Cherenkova, Ahmet
Serdar Karadeniz, Mohammad Sadil Khan, Anis Kacem, Gleb Gusev, Djamila Aouada
- Abstract要約: 3DスキャンによるCADモデルの3次元リバースエンジニアリングはCAD産業にとって最も望まれる目標の1つと考えられている。
SHARP Challenge 2023は、専用のデータセットとトラックを通じてCADリバースエンジニアリングの現実シナリオに一歩近づくことを目的としている。
- 参考スコア(独自算出の注目度): 16.623591010809022
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recent breakthroughs in geometric Deep Learning (DL) and the availability of
large Computer-Aided Design (CAD) datasets have advanced the research on
learning CAD modeling processes and relating them to real objects. In this
context, 3D reverse engineering of CAD models from 3D scans is considered to be
one of the most sought-after goals for the CAD industry. However, recent
efforts assume multiple simplifications limiting the applications in real-world
settings. The SHARP Challenge 2023 aims at pushing the research a step closer
to the real-world scenario of CAD reverse engineering through dedicated
datasets and tracks. In this paper, we define the proposed SHARP 2023 tracks,
describe the provided datasets, and propose a set of baseline methods along
with suitable evaluation metrics to assess the performance of the track
solutions. All proposed datasets along with useful routines and the evaluation
metrics are publicly available.
- Abstract(参考訳): 近年の幾何学的ディープラーニング(DL)の進展と大規模コンピュータ支援設計(CAD)データセットの利用可能化により,CADモデリングプロセスの学習と実際のオブジェクトとの関連性の研究が進んでいる。
この文脈において、3DスキャンによるCADモデルの3次元リバースエンジニアリングはCAD産業にとって最も望まれる目標の1つであると考えられる。
しかし、最近の取り組みでは、現実世界の設定でアプリケーションを制限する複数の単純化が想定されている。
SHARP Challenge 2023は、専用のデータセットとトラックを通じてCADリバースエンジニアリングの現実シナリオに一歩近づくことを目的としている。
本稿では、提案したSHARP 2023トラックを定義し、提案したデータセットを記述し、トラックソリューションの性能を評価するための適切な評価指標とともに、一連のベースライン手法を提案する。
提案されているすべてのデータセットと有用なルーチンと評価指標が公開されている。
関連論文リスト
- Multi-Modal Dataset Acquisition for Photometrically Challenging Object [56.30027922063559]
本稿では,3次元視覚タスクにおける現在のデータセットの限界について,精度,サイズ,リアリズム,および光度に挑戦する対象に対する適切な画像モダリティの観点から検討する。
既存の3次元認識と6次元オブジェクトポーズデータセットを強化する新しいアノテーションと取得パイプラインを提案する。
論文 参考訳(メタデータ) (2023-08-21T10:38:32Z) - AutoCAD: Automatically Generating Counterfactuals for Mitigating
Shortcut Learning [70.70393006697383]
完全自動かつタスクに依存しないCAD生成フレームワークであるAutoCADについて述べる。
本稿では,完全に自動化されたタスクに依存しないCAD生成フレームワークであるAutoCADを提案する。
論文 参考訳(メタデータ) (2022-11-29T13:39:53Z) - CADOps-Net: Jointly Learning CAD Operation Types and Steps from
Boundary-Representations [17.051792180335354]
本稿では,CADの動作タイプと異なるCAD動作ステップへの分解を共同で学習する,新しいディープニューラルネットワークCADOps-Netを提案する。
既存のデータセットと比較して、CC3D-Opsモデルの複雑さと多様性は、産業目的で使用されるものに近い。
論文 参考訳(メタデータ) (2022-08-22T19:12:20Z) - SHREC'22 Track: Sketch-Based 3D Shape Retrieval in the Wild [45.25315209733826]
このトラックでは,異なるレベルの描画スキルを持つアマチュアが描いた大規模なスケッチが採用されている。
46,000以上のCADモデル,1700のリアルモデル,145,000のスケッチからなる2つのベンチマークを構築した。
4チームがこのトラックに参加し,2つのタスクに対して15回の実行を提出した。
論文 参考訳(メタデータ) (2022-07-11T15:26:52Z) - Weakly-Supervised End-to-End CAD Retrieval to Scan Objects [25.41908065938424]
本稿では,意味的および構造的に類似したCADモデルをクエリ3Dスキャンシーンに検索する手法を提案する。
提案手法では,トップモデルとスキャンクエリとの幾何的および知覚的類似性により,エンド・ツー・エンドのトレーニングを可能にする。
論文 参考訳(メタデータ) (2022-03-24T06:30:47Z) - RandomRooms: Unsupervised Pre-training from Synthetic Shapes and
Randomized Layouts for 3D Object Detection [138.2892824662943]
有望な解決策は、CADオブジェクトモデルで構成される合成データセットをよりよく利用して、実際のデータセットでの学習を促進することである。
最近の3次元事前学習の研究は、合成物体から他の実世界の応用へ学習した伝達特性が失敗することを示している。
本研究では,この目的を達成するためにRandomRoomsという新しい手法を提案する。
論文 参考訳(メタデータ) (2021-08-17T17:56:12Z) - 'CADSketchNet' -- An Annotated Sketch dataset for 3D CAD Model Retrieval
with Deep Neural Networks [0.8155575318208631]
本稿では,ディープラーニングに基づく3次元CADモデルの検索システム構築に適したデータセットの開発を目的とする。
また,スケッチ画像を入力クエリとして受信する3次元CADモデルの検索システムや検索エンジンの性能を評価することを目的とする。
論文 参考訳(メタデータ) (2021-07-13T16:10:16Z) - PC-DAN: Point Cloud based Deep Affinity Network for 3D Multi-Object
Tracking (Accepted as an extended abstract in JRDB-ACT Workshop at CVPR21) [68.12101204123422]
点雲は3次元座標における空間データの密集したコンパイルである。
我々は3次元多目的追跡(MOT)のためのPointNetベースのアプローチを提案する。
論文 参考訳(メタデータ) (2021-06-03T05:36:39Z) - Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
3D MOT問題に対する統一型学習型アプローチを提案します。
我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。
AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
論文 参考訳(メタデータ) (2021-04-23T17:59:28Z) - 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) - SHARP 2020: The 1st Shape Recovery from Partial Textured 3D Scans
Challenge Results [90.42321856720633]
SHARP 2020は、生の不完全なデータから完全なテクスチャ化された3Dスキャンを復元するための、最初の挑戦とベンチマーク手法である。
補完的な課題は2つあり、ひとつは3Dスキャンで、もうひとつはジェネリックオブジェクトでである。
形状復元, テクスチャ再構築, 完成したデータの量とを共同で定量化するために, 新たな評価基準を提案する。
論文 参考訳(メタデータ) (2020-10-26T12:05:56Z)
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。