論文の概要: Constraint Learning for Parametric Point Cloud

• arxiv url: http://arxiv.org/abs/2411.07747v1
• Date: Tue, 12 Nov 2024 12:18:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:21:14.354183
• Title: Constraint Learning for Parametric Point Cloud
• Title（参考訳）: パラメトリックポイントクラウドのための制約学習
• Authors: Xi Cheng, Ruiqi Lei, Di Huang, Zhichao Liao, Fengyuan Piao, Yan Chen, Pingfa Feng, Long Zeng,
• Abstract要約: Constraint Feature Learning Network (CstNet) は制約を抽出し活用するために開発された。 CstNetはCAD形状解析に適した制約に基づく最初の学習手法である。
• 参考スコア（独自算出の注目度）: 19.190053031718417
• License:
• Abstract: Parametric point clouds are sampled from CAD shapes, have become increasingly prevalent in industrial manufacturing. However, most existing point cloud learning methods focus on the geometric features, such as local and global features or developing efficient convolution operations, overlooking the important attribute of constraints inherent in CAD shapes, which limits these methods' ability to fully comprehend CAD shapes. To address this issue, we analyzed the effect of constraints, and proposed its deep learning-friendly representation, after that, the Constraint Feature Learning Network (CstNet) is developed to extract and leverage constraints. Our CstNet includes two stages. The Stage 1 extracts constraints from B-Rep data or point cloud. The Stage 2 leverages coordinates and constraints to enhance the comprehend of CAD shapes. Additionally, we built up the Parametric 20,000 Multi-modal Dataset for the scarcity of labeled B-Rep datasets. Experiments demonstrate that our CstNet achieved state-of-the-art performance on both public and proposed CAD shapes datasets. To the best of our knowledge, CstNet is the first constraint-based learning method tailored for CAD shapes analysis.
• Abstract（参考訳）: CAD形状から採取されたパラメトリック点雲は、工業生産においてますます普及している。 しかし、既存の多くのポイントクラウド学習手法は、局所的特徴やグローバル的特徴、効率的な畳み込み操作のような幾何学的特徴に重点を置いており、CAD形状に固有の制約の重要な属性を見越して、CAD形状を完全に理解する能力を制限する。 この問題に対処するため,制約の効果を分析し,その深層学習フレンドリな表現を提案し,その後,制約を抽出し活用するための制約特徴学習ネットワーク(CstNet)を開発した。 私たちのCstNetには2つのステージがあります。 ステージ1は、B-Repデータまたはポイントクラウドから制約を抽出する。 ステージ2は座標と制約を利用してCAD形状の理解を強化する。 さらに、ラベル付きB-Repデータセットの不足のために、Parametric 20,000 Multi-modal Datasetを構築しました。 実験により、我々のCstNetは、公開および提案されたCAD形状データセットの両方で最先端のパフォーマンスを達成した。 我々の知る限り、CstNetはCAD形状解析に適した制約に基づく最初の学習手法である。

関連論文リスト

• 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)
• Point Cloud Compression with Implicit Neural Representations: A Unified Framework [54.119415852585306]
  我々は幾何学と属性の両方を扱える先駆的なクラウド圧縮フレームワークを提案する。 本フレームワークでは,2つの座標ベースニューラルネットワークを用いて,voxelized point cloudを暗黙的に表現する。 本手法は,既存の学習手法と比較して,高い普遍性を示す。
  論文  参考訳（メタデータ） (2024-05-19T09:19:40Z)
• ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
  ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。 この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-15T14:35:05Z)
• 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)
• Variational Relational Point Completion Network for Robust 3D Classification [59.80993960827833]
  可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。 本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。 VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-04-18T17:03:20Z)
• Reconstructing editable prismatic CAD from rounded voxel models [16.03976415868563]
  この課題を解決するために,新しいニューラルネットワークアーキテクチャを導入する。 本手法は形状を分解することでボクセル空間の入力幾何を再構成する。 推論の際には,まず2次元制約付きスケッチのデータベースを検索し,CADデータを取得する。
  論文  参考訳（メタデータ） (2022-09-02T16:44:10Z)
• Point2Cyl: Reverse Engineering 3D Objects from Point Clouds to Extrusion Cylinders [25.389088434370066]
  本稿では,生の3次元点雲を一組の押出シリンダに変換する教師ネットワークであるPoint2Cylを提案する。 提案手法は,2つのCADデータセット上での最良の性能を示す。
  論文  参考訳（メタデータ） (2021-12-17T05:22:28Z)
• Voxel-based Network for Shape Completion by Leveraging Edge Generation [76.23436070605348]
  エッジ生成(VE-PCN)を利用した点雲補完のためのボクセルネットワークを開発した。 まず点雲を正規のボクセル格子に埋め込み、幻覚した形状のエッジの助けを借りて完全な物体を生成する。 この分離されたアーキテクチャとマルチスケールのグリッド機能学習は、より現実的な表面上の詳細を生成することができる。
  論文  参考訳（メタデータ） (2021-08-23T05:10:29Z)
• Adversarial Shape Learning for Building Extraction in VHR Remote Sensing Images [18.650642666164252]
  建物の形状パターンをモデル化する対比形状学習ネットワーク(ASLNet)を提案する。 実験の結果,提案したASLNetは画素ベース精度とオブジェクトベース測定の両方を大きなマージンで改善することがわかった。
  論文  参考訳（メタデータ） (2021-02-22T18:49:43Z)
• Point Cloud Completion by Learning Shape Priors [74.80746431691938]
  形状の先行には、完全点雲と部分点雲の両方の幾何学的情報が含まれる。 完全点から先行する形状を学習するための特徴アライメント戦略を設計し、微細な段階で部分的な事前を組み込むための粗い微妙な戦略を設計する。 我々はポイントクラウド完了タスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-08-02T04:00:32Z)
• PIE-NET: Parametric Inference of Point Cloud Edges [40.27043782820615]
  我々は3Dポイントクラウドデータの特徴エッジを堅牢に識別するエンドツーエンドの学習技術を紹介した。 私たちのディープニューラルネットワークは、PIE-NETと呼ばれ、エッジのパラメトリック推論のために訓練されています。
  論文  参考訳（メタデータ） (2020-07-09T15:35:10Z)

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。