論文の概要: Learn the Solid, Not the File: Canonical Inputs for Neural Networks on CAD Boundary Representations

• arxiv url: http://arxiv.org/abs/2609.11573v1
• Date: Thu, 10 Sep 2026 14:08:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.378652
• Title: Learn the Solid, Not the File: Canonical Inputs for Neural Networks on CAD Boundary Representations
• Title（参考訳）: CAD境界表現を用いたニューラルネットワークの標準入力
• Abstract要約: 境界表現(B-rep)は、パラメトリック3DモデルのためのCADシステムで使用される標準フォーマットである。 既存のB-repエンコーダはB-repの変動に対して頑健ではないことを示す。 本稿では,ノード,特徴,座標フレームがソリッド自身から導出される入力表現である標準領域グラフを提案する。
• 参考スコア（独自算出の注目度）: 40.769899234385285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Boundary representation (B-rep) is the standard format used by modern CAD systems for parametric 3D models. It turns out, the exact same solid can be represented by different B-reps: for example, two engineers using different operations, a geometry kernel rebuilding the file, and an export setting repartitioning faces will lead to different B-reps even though the underlying solid remains the same. We show that existing B-rep encoders are not robust to variation in the B-rep with the same solid on perturbations applied to standard benchmarks, naturally occurring variations inherent to CAD software, and differences in how designers model the same part via a human dataset we created in FreeCAD. The performance of popular B-rep encoders often collapses catastrophically. We propose the canonical region graph, an input representation whose nodes, features and coordinate frame are derived from the solid itself and show theoretical invariance guarantees on repartitioning and rigid motions. It matches the strongest baseline on standard benchmarks, and is stable under every perturbation we test.
• Abstract（参考訳）: 境界表現(B-rep)は、パラメトリック3DモデルのためのCADシステムで使用される標準フォーマットである。 例えば、異なる操作を使用する2人のエンジニア、ファイルを再構築するジオメトリカーネル、そしてリパーティショニング顔のエクスポート設定は、基礎となるソリッドが同じであっても異なるB-レップにつながる。 既存のB-repエンコーダは,標準ベンチマークに適用される摂動が同じソリッドなB-repの変動に対して堅牢ではないこと,CADソフトウェア固有の変動が自然に発生すること,フリーCADで作成した人間のデータセットを通して,同じ部分を設計者がどうモデル化するかの違いが示されている。 一般的なB-repエンコーダの性能は壊滅的に崩壊することが多い。 本稿では,ノード,特徴,座標フレームがソリッド自身から導出される入力表現である標準領域グラフを提案する。 標準ベンチマークでは最強のベースラインと一致し、テストするすべての摂動の下で安定しています。

関連論文リスト

• CANIS: Generation-Assisted 3D Canonicalization via an Image-Semantic Bridge [54.86517260361978]
  CANISはカテゴリーに依存しない世代支援フレームワークであり、凍結した画像から3D生成モデルに先立って意味指向を3Dの標準化に導入する。 キニスはまた、任意の回転の下で下流の3D分類、部分分割、密度の高い対応を改善している。
  論文  参考訳（メタデータ） (2026-08-07T14:13:00Z)
• 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)
• BRepCLIP: Contrastive Multimodal Pretraining on BRep Primitives for CAD Understanding [22.960026011165706]
  BRepの幾何学を言語や画像の埋め込みと整合させる最初のフレームワークであるBRepCLIPを紹介する。 トランスフォーマーエンコーダはこれらのトークンをグローバルなBRep埋め込みに集約し、CLIPのテキストとイメージエンコーダと整列する。 BRepCLIPは、既存の点ベースの代替よりも差別的で意味論的に基礎付けられた埋め込みを生成する。
  論文  参考訳（メタデータ） (2026-06-03T23:41:23Z)
• SCAPO: Self-Supervised Category-Level Articulated Pose Estimation from a Single 3D Observation [54.98864436812187]
  本稿では,1つのRGB-D観測から標準幾何,剛部分セグメンテーション,関節ピボット,軸,調音状態を推定する自己教師型フレームワークを提案する。 合成および実調音オブジェクトデータセットの実験により、SCAPOは、一貫した部分構造と正確な調音パラメータを復元し、全ての自監督ベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-06-01T09:04:49Z)
• Img2CADSeq: Image-to-CAD Generation via Sequence-Based Diffusion [10.432531054049681]
  境界表現はCAD(Computer-Aided Design)の標準フォーマットである Img2CADSeqは,CADシーケンスを3レベル階層のコードブックに符号化することで,制限を克服する多段階パイプラインである。
  論文  参考訳（メタデータ） (2026-05-13T10:06:41Z)
• AutoBrep: Autoregressive B-Rep Generation with Unified Topology and Geometry [13.357641924794402]
  バウンダリ表現(バウンダリ表現、B-Rep)は、CAD(Computer-Aided Design)で用いられる標準データ構造である。 本稿では,B-Repsを高品質かつ有効に自動生成する新しいトランスフォーマーモデルであるAutoBrepを提案する。
  論文  参考訳（メタデータ） (2025-12-02T18:46:25Z)
• BrepGPT: Autoregressive B-rep Generation with Voronoi Half-Patch [61.20046418942948]
  境界表現(B-rep)はCADモデル表現のデファクトスタンダードである。 本稿では,B-rep生成のためのシングルステージ自動回帰フレームワークBrepGPTを提案する。
  論文  参考訳（メタデータ） (2025-11-27T07:16:53Z)
• FlatCAD: Fast Curvature Regularization of Neural SDFs for CAD Models [37.56003520528009]
  混合形状演算子項のみを正則化する非対角Weingarten損失を導入する。 6つのSDF評価と1つの勾配を用いた有限差分版と1つのヘッセンベクトル積を用いた自動差分版である。 この手法はドロップインおよびフレームワーク非依存であり、工学的な形状復元のためのスケーラブルな曲率認識型SDF学習を可能にする。
  論文  参考訳（メタデータ） (2025-06-19T21:54:08Z)
• 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)

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。