論文の概要: RealCAD: Towards Real-World Image-to-CAD Reconstruction under Domain Shift and Parameter Bias

• arxiv url: http://arxiv.org/abs/2608.30617v1
• Date: Mon, 31 Aug 2026 11:27:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.362501
• Title: RealCAD: Towards Real-World Image-to-CAD Reconstruction under Domain Shift and Parameter Bias
• Title（参考訳）: RealCAD:ドメインシフトとパラメータバイアスによるリアルタイム画像からCADへの再構築に向けて
• Abstract要約: 既存のイメージ・トゥ・CAD法は主に合成レンダリングに基づいて開発されている。 本稿では,DeepCADが採用する局所正規化が,いくつかの離散値に関する幾何パラメータに集中していることを示す。 本稿では,これらの制約を表現,画像,特徴レベルで処理する統合フレームワークであるRealCADを提案する。
• 参考スコア（独自算出の注目度）: 23.418854248524607
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing editable Computer-Aided Design (CAD) models from images is essential for downstream modification, manufacturing, and design reuse. However, existing image-to-CAD methods are developed predominantly on synthetic renderings and face two coupled obstacles: a substantial appearance domain gap between synthetic and real images, and a previously overlooked parameter bias in widely used CAD data. We show that the local normalization adopted by DeepCAD concentrates several geometric parameters around a few discrete values while encoding substantial information in a single scale factor. Consequently, a model can achieve deceptively high parameter accuracy by exploiting these frequent values rather than inferring geometry from the input image. In this paper, we propose RealCAD, a unified framework that addresses these limitations at the representation, image, and feature levels. At the representation level, we redistribute scale information to the corresponding geometric parameters, producing less concentrated parameter distributions in a shared scale space. At the image level, geometry-constrained translation converts synthetic renderings toward the real-image domain while conditioning on object contours. At the feature level, a multi-positive contrastive objective aligns representations of the same CAD model across viewpoints and image domains, enabling CAD sequence prediction from each individual view. We further introduce OpenRealCAD, comprising four-view photographs of 392 3D-printed objects paired with ground-truth command sequences. Experiments show that the revised representation substantially reduces the accuracy attainable from parameter-frequency priors, making parameter accuracy a more reliable measure of image-conditioned geometric inference. RealCAD further improves real-domain command and parameter accuracy, while retaining competitive synthetic-domain performance.
• Abstract（参考訳）: 画像から編集可能なコンピュータ支援デザイン(CAD)モデルを再構築することは、下流の修正、製造、設計の再利用に不可欠である。 しかし,既存の画像とCADの手法は,合成画像と実画像の出現領域ギャップと,広く使用されているCADデータにおける従来見過ごされていたパラメータバイアスという,合成レンダリングと対面する2つの障害に主に焦点をあてて開発されている。 我々は,DeepCADが採用する局所正規化が,数個の離散値に幾何パラメータを集中させ,重要な情報を1つのスケール因子にエンコードすることを示した。 これにより、入力画像から幾何を推測するのではなく、これらの頻繁な値を利用することにより、モデルが知覚的に高いパラメータ精度を達成することができる。 本稿では,これらの制約を表現,画像,特徴レベルで処理する統合フレームワークであるRealCADを提案する。 表現レベルでは、対応する幾何パラメータにスケール情報を再分割し、共有スケール空間における集中度が低いパラメータ分布を生成する。 画像レベルでは、幾何制約付き変換は、オブジェクトの輪郭を条件付けながら、合成レンダリングを実画像領域に変換する。 特徴レベルでは、同一CADモデルの表現を視点と画像領域に並べ、各視点からCADシーケンスの予測を可能にする。 さらに,392個の3Dプリントされたオブジェクトの4ビュー写真と,接地型コマンドシーケンスを組み合わせたOpenRealCADについても紹介する。 実験により、修正された表現はパラメータ周波数の先行値から達成可能な精度を著しく低減し、パラメータの精度を画像条件付き幾何推論の信頼性の高い尺度にすることを示した。 RealCADは、競合する合成ドメインのパフォーマンスを維持しながら、実ドメインのコマンドとパラメータの精度をさらに向上する。

関連論文リスト

• Autoregressive B-Rep Shape Generation with Parametric Surfaces [83.03418080213359]
  ParaCADは、ポイントクラウド条件のB-Rep生成のための自動回帰フレームワークである。 我々のモデルはまず、制約されたUV領域を持つパラメトリック曲面を生成し、その後、これらの曲面をグローバルに交差させることで有効なB-Repを構築する。 大規模な実験により、ParaCADは忠実な点-クラウドアライメントで正確なB-Repsを生成することが示された。
  論文  参考訳（メタデータ） (2026-07-19T06:14:50Z)
• SUFLECA: Scaling Up Feature Learning for CAD-to-image Alignment [8.675679091961213]
  CAD-to-imageアライメントは、オブジェクトの9Dポーズを単一のRGBイメージから推定することを目的としている。 最近のゼロショット法では、画像領域とCADモデルとのマッチングに視覚的基礎モデルを使用している。 ゼロショットCADアライメントのための弱い教師付きフレームワークSUFLECAを紹介する。
  論文  参考訳（メタデータ） (2026-07-16T14:32:34Z)
• DreamCAD: Scaling Multi-modal CAD Generation using Differentiable Parametric Surfaces [67.45867367326105]
  ポイントレベルの監視から編集可能なBRepsを直接生成するマルチモーダル生成フレームワークであるDreamCADを提案する。 DreamCADは、各BRepをパラメトリックパッチの集合として表現し、メッシュを生成するために微分可能なテッセルレーション手法を使用する。 DreamCADはABCの最先端のパフォーマンスを達成し、テキスト、画像、点のモダリティにまたがるベンチマークを行う。
  論文  参考訳（メタデータ） (2026-03-05T19:04:07Z)
• CADCrafter: Generating Computer-Aided Design Models from Unconstrained Images [69.7768227804928]
  CADCrafterは画像からパラメトリックCADモデル生成フレームワークで、合成テクスチャなしCADデータのみをトレーニングする。 多様な幾何学的特徴を正確に捉えるための幾何エンコーダを導入する。 提案手法は、実際の制約のないCADイメージを頑健に処理でき、また、目に見えない汎用オブジェクトにも一般化できる。
  論文  参考訳（メタデータ） (2025-04-07T06:01:35Z)
• CADSpotting: Robust Panoptic Symbol Spotting on Large-Scale CAD Drawings [56.05238657033198]
  本稿では,大規模CAD図面におけるパノプティカルシンボルスポッティングの効果的な方法であるCADSpottingを紹介する。 また、重み付き投票とNon-Maximum Suppression(NMS)を組み合わせたSWA(Sliding Window Aggregation)手法を提案する。 FloorPlanCAD と LS-CAD の実験により,CADSpotting が既存手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-12-10T10:22:17Z)
• DiffCAD: Weakly-Supervised Probabilistic CAD Model Retrieval and Alignment from an RGB Image [34.47379913018661]
  本稿では,RGB画像からのCAD検索とアライメントに対する,最初の弱教師付き確率的アプローチであるDiffCADを提案する。 我々はこれを条件付き生成タスクとして定式化し、拡散を利用して画像中のCADオブジェクトの形状、ポーズ、スケールをキャプチャする暗黙の確率モデルを学ぶ。 提案手法は, 合成データのみを用いて学習し, 単眼深度とマスク推定を利用して, 種々の実対象領域へのロバストなゼロショット適応を実現する。
  論文  参考訳（メタデータ） (2023-11-30T15:10:21Z)
• Sparse Multi-Object Render-and-Compare [33.97243145891282]
  一つの画像から静的な物体の3次元形状とポーズを再構築することは、様々な産業にとって重要な課題である。 直接3D形状を予測することで、非現実的で、過度に滑らかになったり、刻まれた形になる。 CADモデルを取得することで、現実的な形状が保証されるが、堅牢で正確なアライメントが必要である。
  論文  参考訳（メタデータ） (2023-10-17T12:01:32Z)
• Patch2CAD: Patchwise Embedding Learning for In-the-Wild Shape Retrieval from a Single Image [58.953160501596805]
  本稿では,2次元画像と3次元CADモデルの結合埋め込み空間をパッチワイズで構築する手法を提案する。 我々のアプローチは、CADが正確に一致しない実世界のシナリオにおける最先端技術よりも堅牢である。
  論文  参考訳（メタデータ） (2021-08-20T20:58:52Z)
• Mask2CAD: 3D Shape Prediction by Learning to Segment and Retrieve [54.054575408582565]
  本稿では,既存の3次元モデルの大規模データセットを活用し,画像中の物体の3次元構造を理解することを提案する。 本稿では,実世界の画像と検出対象を共同で検出するMask2CADについて,最も類似したCADモデルとそのポーズを最適化する。 これにより、画像内のオブジェクトのクリーンで軽量な表現が生成される。
  論文  参考訳（メタデータ） (2020-07-26T00:08:37Z)

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。