論文の概要: GraphBrep: Learning B-Rep in Graph Structure for Efficient CAD Generation

• arxiv url: http://arxiv.org/abs/2507.04765v1
• Date: Mon, 07 Jul 2025 08:43:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.335346
• Title: GraphBrep: Learning B-Rep in Graph Structure for Efficient CAD Generation
• Title（参考訳）: GraphBrep: 効率的なCAD生成のためのグラフ構造におけるB-Rep学習
• Authors: Weilin Lai, Tie Xu, Hu Wang,
• Abstract要約: GraphBrepは、コンパクトトポロジを明示的に表現し、学習するB-Rep生成モデルである。 グラフ拡散モデルを用いて表面特徴に基づく位相の学習を行う。 明示的な表現は、コンパクトなデータ構造を保証し、トレーニングと推論の両方において、計算コストを効果的に削減する。
• 参考スコア（独自算出の注目度）: 4.6246038523085975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Direct B-Rep generation is increasingly important in CAD workflows, eliminating costly modeling sequence data and supporting complex features. A key challenge is modeling joint distribution of the misaligned geometry and topology. Existing methods tend to implicitly embed topology into the geometric features of edges. Although this integration ensures feature alignment, it also causes edge geometry to carry more redundant structural information compared to the original B-Rep, leading to significantly higher computational cost. To reduce redundancy, we propose GraphBrep, a B-Rep generation model that explicitly represents and learns compact topology. Following the original structure of B-Rep, we construct an undirected weighted graph to represent surface topology. A graph diffusion model is employed to learn topology conditioned on surface features, serving as the basis for determining connectivity between primitive surfaces. The explicit representation ensures a compact data structure, effectively reducing computational cost during both training and inference. Experiments on two large-scale unconditional datasets and one category-conditional dataset demonstrate the proposed method significantly reduces training and inference times (up to 31.3% and 56.3% for given datasets, respectively) while maintaining high-quality CAD generation compared with SOTA.
• Abstract（参考訳）: CADワークフローでは直接B-Rep生成がますます重要になり、コストのかかるシーケンスデータのモデリングや複雑な機能のサポートがなくなる。 鍵となる課題は、不整合幾何学と位相の合同分布をモデル化することである。 既存の手法は、エッジの幾何学的特徴にトポロジーを暗黙的に埋め込む傾向がある。 この統合により特徴のアライメントが保証されるが、エッジ幾何学は元のB-Repよりも冗長な構造情報を伝達し、計算コストが大幅に高くなる。 冗長性を低減するために,コンパクトトポロジを明示的に表現し学習するB-Rep生成モデルであるGraphBrepを提案する。 B-Rep の元々の構造に従うと、曲面位相を表す無向重み付きグラフを構築する。 グラフ拡散モデルを用いて表面特徴に基づく位相を学習し、原始曲面間の接続性を決定する基盤となる。 明示的な表現は、コンパクトなデータ構造を保証し、トレーニングと推論の両方において、計算コストを効果的に削減する。 2つの大規模無条件データセットと1つのカテゴリ条件データセットの実験では、SOTAと比較して高品質なCAD生成を維持しながら、提案手法によりトレーニング時間と推論時間(それぞれ31.3%と56.3%)が大幅に短縮されることを示した。

関連論文リスト

• HoLa: B-Rep Generation using a Holistic Latent Representation [51.07878285790399]
  我々は、$textitboundary representations$ (B-Reps)という形式でコンピュータ支援設計(CAD)モデルを学習し、生成するための新しい表現を導入する。 我々の表現は、B-Repプリミティブの連続幾何学的性質を異なる順序で統一する。 提案手法は生成したB-Repプリミティブ間のあいまいさ,冗長性,不整合性を著しく低減する。
  論文  参考訳（メタデータ） (2025-04-19T10:34:24Z)
• Split-and-Fit: Learning B-Reps via Structure-Aware Voronoi Partitioning [50.684254969269546]
  本稿では,3次元CADモデルのバウンダリ表現(B-Reps)を取得する新しい手法を提案する。 各パーティション内に1つのプリミティブを導出するために空間分割を適用する。 我々のネットワークはニューラルなボロノイ図でNVD-Netと呼ばれ、訓練データからCADモデルのボロノイ分割を効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2024-06-07T21:07:49Z)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)
• BRepNet: A topological message passing system for solid models [6.214548392474976]
  境界表現(B-rep)モデルは、コンピュータ支援設計(CAD)アプリケーションで3D形状を記述する標準的な方法です。 我々は,B-repデータ構造を直接操作するように設計されたニューラルネットワークアーキテクチャであるBRepNetを紹介する。
  論文  参考訳（メタデータ） (2021-04-01T18:16:03Z)
• Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
  グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。 本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。 提案手法を,現在最大規模の2つの3次元データセット上で評価する。
  論文  参考訳（メタデータ） (2020-07-30T18:23:18Z)
• UV-Net: Learning from Boundary Representations [17.47054752280569]
  本稿では,3次元CADモデルによる境界表現(B-rep)データを直接操作するために設計された新しいニューラルネットワークアーキテクチャと表現であるUV-Netを紹介する。 B-repデータは、データ構造が複雑であり、連続的な非ユークリッド幾何学的エンティティと離散位相的エンティティの両方をサポートするため、現代の機械学習で使用される際、いくつかのユニークな課題を示す。
  論文  参考訳（メタデータ） (2020-06-18T00:12:52Z)

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。