Fugu-MT 論文翻訳(概要): UniBRep: Learning Unified Geometry and Topology for Image-conditioned B-Rep Generation

論文の概要: UniBRep: Learning Unified Geometry and Topology for Image-conditioned B-Rep Generation

arxiv url: http://arxiv.org/abs/2610.04092v1
Date: Fri, 02 Oct 2026 21:59:29 GMT
ステータス: 情報取得中
システム内更新日: 2026-10-06 21:04:32.784276
Title: UniBRep: Learning Unified Geometry and Topology for Image-conditioned B-Rep Generation
Title（参考訳）: UniBRep:画像調和型B-Rep生成のための統一幾何とトポロジーの学習
Abstract要約: We present UniBRep, a geometry-first framework that adapted a pretrained image-to-3D model to generate a feature mesh as a unified intermediate representation。標準のDeepCADベンチマークでは、UniBRepは80.49%の入力に対して有効なB-repsを生成し、顔のチャムファー距離を0.1096から0.0345に削減している。
参考スコア（独自算出の注目度）: 51.601490120494326
License:
Abstract: Generating a boundary representation (B-rep) conditioned on a single image requires faithful reconstruction of geometry, valid topology, and support for complex shapes. We present UniBRep, a geometry-first framework that adapts a pretrained image-to-3D model to generate a feature mesh as a unified intermediate representation. Its surface provides a geometric scaffold, while spatially aligned learned features encode face-separation cues for topology recovery. Dual decoder branches generate the geometry and face-separation features; a geometry- and feature-guided construction pipeline then fits parametric surfaces, recovers boundary curves and connectivity, and assembles an explicit B-rep using a CAD kernel. Recovering topology from mesh regions avoids predefined architectural face-count limits, allowing face count to scale with shape complexity. On the standard DeepCAD benchmark, UniBRep produces valid B-reps for 80.49\% of inputs and reduces face Chamfer distance from 0.1096 to 0.0345 relative to CADDreamer. In a matched comparison, UniBRep also outperforms the HoLa public demo across all reported metrics. Further evaluations demonstrate scalability to high-complexity shapes beyond the standard 30-face range, generalization to objects outside the CAD training distribution, and qualitative transfer to real photographs.
Abstract（参考訳）: 単一の画像上に条件付き境界表現(B-rep)を生成するには、幾何の忠実な再構築、有効トポロジー、複雑な形状のサポートが必要である。 We present UniBRep, a geometry-first framework that adapted a pretrained image-to-3D model to generate a feature mesh as a unified intermediate representation。表面は幾何学的な足場を提供し、空間的に整列された学習機能は、トポロジーの回復のために顔分離キューを符号化する。幾何および特徴誘導された構成パイプラインはパラメトリックな表面に適合し、境界曲線と接続性を回復し、CADカーネルを使用して明示的なB-repを組み立てる。メッシュリージョンからトポロジを復元することで、事前に定義されたアーキテクチャの顔数制限が回避される。標準のDeepCADベンチマークでは、UniBRepは80.49\%の入力に対して有効なB-repsを生成し、顔チャムファー距離をCADDreamerと比較して0.1096から0.0345に削減する。一致した比較では、UniBRepは報告されたすべてのメトリクスでHoLaの公開デモを上回っている。さらなる評価では、標準的な30面範囲を超える高複雑さ形状へのスケーラビリティ、CADトレーニング分布外のオブジェクトへの一般化、実際の写真への定性的転送が示される。

論文の概要: UniBRep: Learning Unified Geometry and Topology for Image-conditioned B-Rep Generation

関連論文リスト