論文の概要: Constraint-Aware Feature Learning for Parametric Point Cloud
- arxiv url: http://arxiv.org/abs/2411.07747v5
- Date: Mon, 24 Mar 2025 10:22:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-25 14:30:26.213189
- Title: Constraint-Aware Feature 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を考慮した特徴学習
- Authors: Xi Cheng, Ruiqi Lei, Di Huang, Zhichao Liao, Fengyuan Piao, Yan Chen, Pingfa Feng, Long Zeng,
- Abstract要約: パラメトリック点雲はCAD形状から採取され、工業生産においてますます一般的になりつつある。
CAD固有の深層学習手法の多くは幾何学的特徴にのみ焦点をあてるが、CADの形状に固有の制約を見渡すことは困難である。
3つのベクトル化コンポーネントを持つディープラーニングフレンドリな制約表現を導入し、制約対応機能学習ネットワーク(CstNet)を設計する。
CstNetはCADドメインにおけるパラメトリックポイントクラウド分析に適した,最初の制約対応ディープラーニング手法である。
- 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 and are becoming increasingly common in industrial manufacturing. Most existing CAD-specific deep learning methods only focus on geometric features, while overlooking constraints which are inherent and important in CAD shapes. This limits their ability to discern CAD shapes with similar appearance but different constraints. To tackle this challenge, we first analyze the constraint importance via a simple validation experiment. Then, we introduce a deep learning-friendly constraints representation with three vectorized components, and design a constraint-aware feature learning network (CstNet), which includes two stages. Stage 1 extracts constraint feature from B-Rep data or point cloud based on shape local information. It enables better generalization ability to unseen dataset after model pre-training. Stage 2 employs attention layers to adaptively adjust the weights of three constraints' components. It facilitates the effective utilization of constraints. In addition, we built the first multi-modal parametric-purpose dataset, i.e. Param20K, comprising about 20K shape instances of 75 classes. On this dataset, we performed the classification and rotation robustness experiments, and CstNet achieved 3.52\% and 26.17\% absolute improvements in instance accuracy over the state-of-the-art methods, respectively. To the best of our knowledge, CstNet is the first constraint-aware deep learning method tailored for parametric point cloud analysis in CAD domain.
- Abstract（参考訳）: パラメトリック点雲はCAD形状から採取され、工業生産においてますます一般的になりつつある。
CAD固有の深層学習手法の多くは幾何学的特徴にのみ焦点をあてるが、CADの形状に固有の制約を見渡すことは困難である。
これによりCAD形状の識別能力は制限されるが、外観は似ているが制約は異なる。
この課題に対処するために、我々はまず、簡単な検証実験を通して制約の重要性を分析する。
次に,3つのベクトル化要素を持つ深層学習に適した制約表現を導入し,2段階を含む制約認識機能学習ネットワーク(CstNet)を設計する。
ステージ1は、形状ローカル情報に基づいて、B-Repデータまたはポイントクラウドから制約特徴を抽出する。
モデル事前トレーニング後にデータセットを表示不能にする、より優れた一般化機能を実現する。
ステージ2では、3つの制約のコンポーネントの重みを適応的に調整するために注意層を採用している。
制約を効果的に活用するのに役立つ。
さらに,75クラスの約20K形状のサンプルからなる,最初のマルチモーダルパラメトリック目的データセットであるParam20Kを構築した。
このデータセットを用いて分類と回転ロバスト性実験を行い、CstNetは、最先端の手法と比較して、それぞれ3.52\%と26.17\%の絶対的な改善を達成した。
我々の知る限り、CstNetはCADドメインにおけるパラメトリックポイントクラウド分析に適した、最初の制約対応ディープラーニング手法である。
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) - 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) - Shape-Oriented Convolution Neural Network for Point Cloud Analysis [59.405388577930616]
ポイントクラウドは3次元幾何学情報符号化に採用されている主要なデータ構造である。
形状指向型メッセージパッシング方式であるShapeConvを提案する。
論文 参考訳（メタデータ） (2020-04-20T16:11:51Z)
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。