論文の概要: Geometric Deep Learning for Computer-Aided Design: A Survey

• arxiv url: http://arxiv.org/abs/2402.17695v1
• Date: Tue, 27 Feb 2024 17:11:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-28 15:13:48.154815
• Title: Geometric Deep Learning for Computer-Aided Design: A Survey
• Title（参考訳）: コンピュータ支援設計のための幾何学的深層学習
• Authors: Negar Heidari and Alexandros Iosifidis
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 85.79012726689511
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geometric Deep Learning techniques have become a transformative force in the field of Computer-Aided Design (CAD), and have the potential to revolutionize how designers and engineers approach and enhance the design process. By harnessing the power of machine learning-based methods, CAD designers can optimize their workflows, save time and effort while making better informed decisions, and create designs that are both innovative and practical. The ability to process the CAD designs represented by geometric data and to analyze their encoded features enables the identification of similarities among diverse CAD models, the proposition of alternative designs and enhancements, and even the generation of novel design alternatives. This survey offers a comprehensive overview of learning-based methods in computer-aided design across various categories, including similarity analysis and retrieval, 2D and 3D CAD model synthesis, and CAD generation from point clouds. Additionally, it provides a complete list of benchmark datasets and their characteristics, along with open-source codes that have propelled research in this domain. The final discussion delves into the challenges prevalent in this field, followed by potential future research directions in this rapidly evolving field.
• Abstract（参考訳）: 幾何学的ディープラーニング技術はCAD(Computer-Aided Design)の分野で変革の力となり、デザイナーやエンジニアが設計プロセスにどのようにアプローチし、拡張するかに革命をもたらす可能性がある。 機械学習ベースの手法のパワーを活用することで、CADデザイナはワークフローを最適化し、より良い情報決定を行いながら時間と労力を節約し、革新的で実用的なデザインを作成できる。 幾何データで表されるCAD設計を処理し、その符号化された特徴を解析することにより、多様なCADモデル間の類似点の同定、代替設計と拡張の提案、さらには新しいデザイン代替案の生成まで可能となる。 本調査では, 類似性解析と検索, 2Dおよび3DCADモデル合成, 点雲からのCAD生成など, 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説する。 さらに、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、このドメインの研究を推進するオープンソースコードも提供している。 最後の議論は、この分野で広く普及する課題と、この急速に発展する分野における潜在的研究の方向性を掘り下げるものである。

関連論文リスト

• GenCAD: Image-Conditioned Computer-Aided Design Generation with Transformer-Based Contrastive Representation and Diffusion Priors [4.485378844492069]
  GenCADは画像入力をパラメトリックCADコマンドシーケンスに変換する生成モデルである。 生成した3次元形状の精度と変調性の観点から、既存の最先端手法を著しく上回っている。
  論文  参考訳（メタデータ） (2024-09-08T23:49:11Z)
• CAD-Prompted Generative Models: A Pathway to Feasible and Novel Engineering Designs [4.806185947218336]
  本稿では,実現可能なCAD画像の生成を促すことによって,設計の実現可能性を向上させる手法を提案する。 その結果、CAD画像のプロンプトは、Stable Diffusion 2.1のようなテキストから画像への変換に有効であることが示されている。
  論文  参考訳（メタデータ） (2024-07-11T17:07:32Z)
• PS-CAD: Local Geometry Guidance via Prompting and Selection for CAD Reconstruction [86.726941702182]
  再構成ネットワークPS-CADに幾何学的ガイダンスを導入する。 我々は、現在の再構成が点雲としての完備モデルと異なる曲面の幾何学を提供する。 第二に、幾何学的解析を用いて、候補面に対応する平面的プロンプトの集合を抽出する。
  論文  参考訳（メタデータ） (2024-05-24T03:43:55Z)
• Human as Points: Explicit Point-based 3D Human Reconstruction from Single-view RGB Images [71.91424164693422]
  我々はHaPと呼ばれる明示的なポイントベース人間再構築フレームワークを導入する。 提案手法は,3次元幾何学空間における完全明示的な点雲推定,操作,生成,洗練が特徴である。 我々の結果は、完全に明示的で幾何学中心のアルゴリズム設計へのパラダイムのロールバックを示すかもしれない。
  論文  参考訳（メタデータ） (2023-11-06T05:52:29Z)
• Design Space Exploration and Explanation via Conditional Variational Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
  本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。 CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
  論文  参考訳（メタデータ） (2022-11-29T17:28:31Z)
• Deep Generative Models in Engineering Design: A Review [1.933681537640272]
  本稿では,工学設計におけるDeep Generative Learningモデルのレビューと分析を行う。 最近のDGMは、構造最適化、材料設計、形状合成といった設計応用において有望な結果を示している。
  論文  参考訳（メタデータ） (2021-10-21T02:50:10Z)
• Using Machine Learning to Predict Engineering Technology Students' Success with Computer Aided Design [50.591267188664666]
  機械学習技術と組み合わせたデータによって、特定の学生がデザインタスクでどれだけうまく機能するかを予測する方法を示す。 初期設計シーケンスアクションを用いたモデルは,特に予測に有用であることが判明した。 これらのモデルをさらに改善することで、事前の予測が得られ、学生のフィードバックがより早く得られるようになり、学習が向上する可能性がある。
  論文  参考訳（メタデータ） (2021-08-12T20:24:54Z)
• Dynamically Grown Generative Adversarial Networks [111.43128389995341]
  本稿では、ネットワークアーキテクチャとそのパラメータを自動化とともに最適化し、トレーニング中にGANを動的に成長させる手法を提案する。 本手法はアーキテクチャ探索手法を勾配に基づく訓練とインターリーブステップとして組み込んで,ジェネレータと識別器の最適アーキテクチャ成長戦略を定期的に探究する。
  論文  参考訳（メタデータ） (2021-06-16T01:25:51Z)
• DeepCAD: A Deep Generative Network for Computer-Aided Design Models [37.655225142981564]
  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。
  論文  参考訳（メタデータ） (2021-05-20T03:29:18Z)
• Generative Design by Reinforcement Learning: Enhancing the Diversity of Topology Optimization Designs [5.8010446129208155]
  本研究では、トポロジ設計の多様性を最大化する報酬関数を備えた強化学習に基づく生成設計プロセスを提案する。 RLをベースとした生成設計は,GPUを完全自動で活用することにより,短時間で多数の多様な設計を生成できることを示す。
  論文  参考訳（メタデータ） (2020-08-17T06:50:47Z)

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。