Fugu-MT 論文翻訳(概要): Evaluating the printability of stl files with ML

論文の概要: Evaluating the printability of stl files with ML

arxiv url: http://arxiv.org/abs/2509.12392v1
Date: Mon, 15 Sep 2025 19:37:00 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-17 17:50:52.738477
Title: Evaluating the printability of stl files with ML
Title（参考訳）: MLを用いたstlファイルの印刷性評価
Authors: Janik Henn, Adrian Hauptmannl, Hamza A. A. Gardi,
Abstract要約: このアプローチでは,AIモデルをトレーニングして,3Dモデルに共通する問題を検出することによって,新たなサポート層を導入する。目標は、印刷障害を引き起こす可能性のある機能を特定することで、経験の浅いユーザを支援することだ。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: 3D printing has long been a technology for industry professionals and enthusiasts willing to tinker or even build their own machines. This stands in stark contrast to today's market, where recent developments have prioritized ease of use to attract a broader audience. Slicing software nowadays has a few ways to sanity check the input file as well as the output gcode. Our approach introduces a novel layer of support by training an AI model to detect common issues in 3D models. The goal is to assist less experienced users by identifying features that are likely to cause print failures due to difficult to print geometries before printing even begins.
Abstract（参考訳）: 3Dプリンティングは、長年、業界の専門家や熱狂者たちが自作の機械をいじったり作ろうとする技術だった。これは、最近の開発で広く観客を惹きつけるために使いやすさが優先されている今日の市場とは対照的である。現在、スライシングソフトウェアには、入力ファイルと出力gcodeを健全にチェックする方法がいくつかある。このアプローチでは,AIモデルをトレーニングして,3Dモデルに共通する問題を検出することによって,新たなサポート層を導入する。目的は、印刷開始前にジオメトリを印刷することが困難であるために印刷に失敗する可能性のある機能を特定することで、経験の浅いユーザーを支援することである。

関連論文リスト

3DGen-Bench: Comprehensive Benchmark Suite for 3D Generative Models [94.48803082248872]
3D世代は急速に進歩しているが、3D評価の開発はペースを保っていない。 3DGen-Arenaは、公開ユーザと専門家アノテータの両方から人間の好みを収集する統合プラットフォームである。このデータセットを用いて、CLIPベースのスコアモデルである3DGen-ScoreとMLLMベースの自動評価器である3DGen-Evalをさらに訓練する。
論文参考訳（メタデータ） (2025-03-27T17:53:00Z)
ZeroKey: Point-Level Reasoning and Zero-Shot 3D Keypoint Detection from Large Language Models [57.57832348655715]
3次元形状のキーポイント検出のための新しいゼロショット手法を提案する。提案手法は,マルチモーダル大規模言語モデルに埋め込まれた豊富な知識を利用する。
論文参考訳（メタデータ） (2024-12-09T08:31:57Z)
Practitioner Paper: Decoding Intellectual Property: Acoustic and Magnetic Side-channel Attack on a 3D Printer [3.0832643041058607]
本研究は,3Dプリンタ上でサイドチャネル攻撃を行うことにより,G符号の再構築の実現可能性を示す。グラディエントブースト決定木を用いたモデルの訓練により, 軸運動, ステッパ, ノズル, ロータ速度の予測精度が向上した。実世界の試験において本モデルを効果的に展開し, 平均テンディエンシエラー(MTE)を4.47%, 平易なGコード設計で達成する。
論文参考訳（メタデータ） (2024-11-16T21:05:25Z)
LLM-3D Print: Large Language Models To Monitor and Control 3D Printing [6.349503549199403]
産業4.0は、デジタル化を推進し、添加性製造(AM)へのパラダイムシフトによって製造に革命をもたらした。重要なAM技術であるFDMは、層間押出による最小限の材料廃棄物による、高度にカスタマイズされたコスト効率の高い製品の作成を可能にする。本稿では,3Dプリンタとともに学習済みのLarge Language Models(LLM)を利用して,印刷欠陥の検出と対処を行うプロセス監視・制御フレームワークを提案する。
論文参考訳（メタデータ） (2024-08-26T14:38:19Z)
Using Large Language Models to Generate Engaging Captions for Data Visualizations [51.98253121636079]
大規模言語モデル(LLM)は、高度なディープラーニング技術を用いて人間のような散文を生成する。主な課題は、プロンプトエンジニアリングと呼ばれるLLMの最も効果的なプロンプトを設計することである。我々は,LLM GPT-3を用いた最初の実験について報告し,いくつかの有望な結果を得た。
論文参考訳（メタデータ） (2022-12-27T23:56:57Z)
Semi-Siamese Network for Robust Change Detection Across Different Domains with Applications to 3D Printing [17.176767333354636]
本稿では3Dプリンティングプロセスにおける欠陥検出のための新しいセミ・シームズ深層学習モデルを提案する。本モデルは,撮像装置の摂動に対して頑健でありながら,異なる領域からの異種画像の比較を可能にするように設計されている。われわれのモデルでは、欠陥ローカライズ予測は標準のMacBook Proを使って1層あたり半秒未満で行うことができ、F1スコアは0.9以上である。
論文参考訳（メタデータ） (2022-12-16T17:02:55Z)
Augraphy: A Data Augmentation Library for Document Images [59.457999432618614]
Augraphyはデータ拡張パイプラインを構築するためのPythonライブラリである。標準的なオフィス操作によって変更されたように見えるクリーンなドキュメントイメージの拡張版を作成するための戦略を提供する。
論文参考訳（メタデータ） (2022-08-30T22:36:19Z)
Self-Supervised Point Cloud Representation Learning with Occlusion Auto-Encoder [63.77257588569852]
本稿では,3D Occlusion Auto-Encoder(3D-OAE)を提案する。私たちのキーとなるアイデアは、入力ポイントクラウドのローカルパッチをランダムに排除し、隠されたパッチを復元することで監督を確立することです。従来の手法とは対照的に、我々の3D-OAEは大量のパッチを除去し、少数の可視パッチでしか予測できない。
論文参考訳（メタデータ） (2022-03-26T14:06:29Z)
3D-EDM: Early Detection Model for 3D-Printer Faults [0.0]
正確なキャリブレーションを施した3Dプリンタを使用するのは難しい。従来の研究では、センサデータと機械学習を用いた画像データを用いてこれらの問題を検出できることが示唆されている。将来、実際の利用を考えると、収集が容易なデータによる軽量早期検出モデルの作成に重点を置いている。
論文参考訳（メタデータ） (2022-03-23T02:46:26Z)
Word Shape Matters: Robust Machine Translation with Visual Embedding [78.96234298075389]
文字レベルNLPモデルの入力シンボルを新たに符号化する。文字が印刷されたときの画像を通して各文字の形状をエンコードする。我々はこの新たな戦略を視覚的埋め込みと呼び、NLPモデルの堅牢性を向上させることが期待されている。
論文参考訳（メタデータ） (2020-10-20T04:08:03Z)

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。