論文の概要: Revisiting CAD Model Generation by Learning Raster Sketch

• arxiv url: http://arxiv.org/abs/2503.00928v1
• Date: Sun, 02 Mar 2025 15:11:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:21:09.241445
• Title: Revisiting CAD Model Generation by Learning Raster Sketch
• Title（参考訳）: ラスタースケッチ学習によるCADモデル生成の再検討
• Authors: Pu Li, Wenhao Zhang, Jianwei Guo, Jinglu Chen, Dong-Ming Yan,
• Abstract要約: 本稿では,ラースタースケッチとCADモデルの3次元押出形を生成する新しいフレームワークであるRECADを紹介する。 2つの拡散ネットワークを組み合わせることで、RECADはスケッチ・アンド・エクストルードCADモデルを効果的に生成する。
• 参考スコア（独自算出の注目度）: 17.853025952444437
• License:
• Abstract: The integration of deep generative networks into generating Computer-Aided Design (CAD) models has garnered increasing attention over recent years. Traditional methods often rely on discrete sequences of parametric line/curve segments to represent sketches. Differently, we introduce RECAD, a novel framework that generates Raster sketches and 3D Extrusions for CAD models. Representing sketches as raster images offers several advantages over discrete sequences: 1) it breaks the limitations on the types and numbers of lines/curves, providing enhanced geometric representation capabilities; 2) it enables interpolation within a continuous latent space; and 3) it allows for more intuitive user control over the output. Technically, RECAD employs two diffusion networks: the first network generates extrusion boxes conditioned on the number and types of extrusions, while the second network produces sketch images conditioned on these extrusion boxes. By combining these two networks, RECAD effectively generates sketch-and-extrude CAD models, offering a more robust and intuitive approach to CAD model generation. Experimental results indicate that RECAD achieves strong performance in unconditional generation, while also demonstrating effectiveness in conditional generation and output editing.
• Abstract（参考訳）: 近年,計算機支援設計(CAD)モデルへの深層生成ネットワークの統合が注目されている。 伝統的な手法はスケッチを表現するためにパラメトリックライン/曲線セグメントの離散シーケンスに依存することが多い。 異なる点として,ラースタースケッチとCADモデルのための3次元押出形を生成する新しいフレームワークであるRECADを紹介する。 スケッチをラスタ画像として表現することは、離散シーケンスよりもいくつかの利点がある。 1) 線/曲線の型と数に対する制限を破り、幾何表現能力を増強する。 2) 連続潜伏空間内での補間を可能にする。 3)出力をより直感的に制御できる。 技術的には、RECADは2つの拡散ネットワークを用いており、第1のネットワークはエクストルージョンの数と種類で条件付けられたエクストルージョンボックスを生成し、第2のネットワークはエクストルージョンボックスで条件付けられたスケッチイメージを生成する。 これら2つのネットワークを組み合わせることで、RECADはCADモデルを効果的に生成し、CADモデル生成に対するより堅牢で直感的なアプローチを提供する。 実験結果から,RECADは条件付き生成において高い性能を示し,条件付き生成および出力編集における有効性を示した。

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)
• Sketch3D: Style-Consistent Guidance for Sketch-to-3D Generation [55.73399465968594]
  本稿では,テキスト記述と一致する色と入力スケッチに整合した形状のリアルな3Dアセットを生成するための,新しい生成パラダイムSketch3Dを提案する。 3つの戦略は、3次元ガウスの最適化、すなわち分布伝達機構による構造最適化、直感的なMSE損失による色最適化、CLIPに基づく幾何学的類似性損失によるスケッチ類似性最適化である。
  論文  参考訳（メタデータ） (2024-04-02T11:03:24Z)
• Pushing Auto-regressive Models for 3D Shape Generation at Capacity and Scalability [118.26563926533517]
  自己回帰モデルでは,格子空間における関節分布をモデル化することにより,2次元画像生成において顕著な結果が得られた。 自動回帰モデルを3次元領域に拡張し,キャパシティとスケーラビリティを同時に向上することにより,3次元形状生成の強力な能力を求める。
  論文  参考訳（メタデータ） (2024-02-19T15:33:09Z)
• Hierarchical Neural Coding for Controllable CAD Model Generation [34.14256897199849]
  本稿では,CAD(Computer Aided Design)の新しい生成モデルを提案する。 これはCADモデルの高レベルな設計概念を、ニューラルネットワークの3レベル階層木として表現している。 コードツリーを使用してターゲット設計を指定することでCADモデルの生成や完成を制御する。
  論文  参考訳（メタデータ） (2023-06-30T21:49:41Z)
• Learning Versatile 3D Shape Generation with Improved AR Models [91.87115744375052]
  自己回帰(AR)モデルはグリッド空間の関節分布をモデル化することにより2次元画像生成において印象的な結果を得た。 本稿では3次元形状生成のための改良された自己回帰モデル(ImAM)を提案する。
  論文  参考訳（メタデータ） (2023-03-26T12:03:18Z)
• SECAD-Net: Self-Supervised CAD Reconstruction by Learning Sketch-Extrude Operations [21.000539206470897]
  SECAD-Netは、コンパクトで使いやすいCADモデルの再構築を目的とした、エンドツーエンドのニューラルネットワークである。 本研究は,CAD再構築の手法など,最先端の代替手段よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-19T09:26:03Z)
• 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)
• ExtrudeNet: Unsupervised Inverse Sketch-and-Extrude for Shape Parsing [46.778258706603005]
  本稿では,逆スケッチ・アンド・エクスクルードによる点雲形状の学習問題について検討する。 本稿では,ポイントクラウドからスケッチを発見して抽出する,教師なしのエンドツーエンドネットワークであるExtrudeNetを提案する。
  論文  参考訳（メタデータ） (2022-09-30T17:58:11Z)
• 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)
• 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)

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。